Docling

Docling 简化了文档处理流程，能够解析多种格式的文件——包括高级 PDF 解析——并提供与生成式 AI 生态系统的无缝集成。

功能特性

• 🗂️ 支持多种文档格式的解析 supported_formats，包括 PDF、DOCX、PPTX、XLSX、HTML、WAV、MP3、WebVTT、图像（PNG、TIFF、JPEG 等）、LaTeX、纯文本等
• 📑 高级 PDF 解析能力，涵盖页面布局、阅读顺序、表格结构、代码、公式、图像分类等
• 🧬 统一且表达力强的 DoclingDocument 表示格式
• ↪️ 多种导出格式及选项，包括 Markdown、HTML、WebVTT、DocTags 和无损 JSON
• 📜 支持多种特定于应用的 XML 模式，包括 USPTO 专利、JATS 文章以及 XBRL 财务报告。
• 🔒 支持本地执行，适用于敏感数据和气隙环境
• 🤖 即插即用的 integrations 集成，包括 LangChain、LlamaIndex、Crew AI 和 Haystack，用于代理型 AI 应用
• 🔍 对扫描 PDF 和图像的广泛 OCR 支持
• 👓 支持多种视觉语言模型（GraniteDocling）
• 🎙️ 支持音频处理，配备自动语音识别（ASR）模型
• 🔌 可通过 MCP 服务器 连接到任何代理
• 💻 简单便捷的命令行界面

最新功能

• 📤 结构化 信息提取 [🧪 测试版]
• 📑 默认采用新的布局模型（Heron），以提升 PDF 解析速度
• 🔌 MCP 服务器，专为代理型应用设计
• 💼 支持解析 XBRL（可扩展商业报告语言）文档，用于财务报告
• 💬 支持解析 WebVTT（Web 视频文本轨道）文件，并导出为 WebVTT 格式
• 💬 支持解析 LaTeX 文件
• 📝 支持解析纯文本文件（.txt、.text）以及 Markdown 的扩展格式（.qmd、.Rmd）
• 📝 图表理解（柱状图、饼图、折线图）：可将其转换为表格、代码，或添加详细描述

即将推出

• 📝 元数据提取，包括标题、作者、参考文献及语言
• 📝 复杂化学结构解析（分子结构）

安装

要使用 Docling，只需从你的包管理器中安装 docling，例如 pip：

pip install docling

注意： Docling 2.70.0 版本已不再支持 Python 3.9。请使用 Python 3.10 或更高版本。

支持 macOS、Linux 和 Windows 环境，兼容 x86_64 和 arm64 架构。

更多详细的安装说明，请参阅文档：安装指南。

快速入门

要使用 Python 转换单个文档，可以使用 convert() 方法，例如：

from docling.document_converter import DocumentConverter

source = "https://arxiv.org/pdf/2408.09869"  # 文档路径或 URL
converter = DocumentConverter()
result = converter.convert(source)
print(result.document.export_to_markdown())  # 输出： "## Docling Technical Report[...]"

更多高级用法，请参阅文档：高级用法。

命令行界面

Docling 内置了命令行工具，可用于执行转换操作。

docling https://arxiv.org/pdf/2206.01062

你还可以通过 Docling 命令行界面使用 🥚GraniteDocling 和其他 VLM 模型：

docling --pipeline vlm --vlm-model granite_docling https://arxiv.org/pdf/2206.01062

此命令将在支持 MLX 加速的 Apple Silicon 硬件上运行。

更多信息请参阅：命令行使用指南。

文档

请查阅 Docling 的文档，了解安装、使用、概念、配方、扩展等内容的详细信息。

示例

通过我们的示例动手实践，了解如何使用 Docling 解决不同的应用场景。

集成

为进一步加速你的 AI 应用开发，请查看 Docling 与流行框架和工具的原生集成。

获取帮助和支持

欢迎随时通过 讨论区 与我们联系。

技术报告

如需了解更多关于 Docling 内部工作机制的详细信息，请参阅 Docling 技术报告。

贡献

有关详细信息，请阅读 贡献指南。

参考文献

如果您在项目中使用了 Docling，请考虑引用以下内容：

@techreport{Docling,
  author = {Deep Search Team},
  month = {8},
  title = {Docling Technical Report},
  url = {https://arxiv.org/abs/2408.09869},
  eprint = {2408.09869},
  doi = {10.48550/arXiv.2408.09869},
  version = {1.0.0},
  year = {2024}
}

许可证

Docling 代码库采用 MIT 许可证。对于各个模型的使用，请参阅原始软件包中提供的模型许可证。

LF AI & Data

Docling 是 LF AI & Data 基金会 的一个托管项目。

IBM ❤️ 开源人工智能

该项目由 IBM 苏黎世研究院的知识型人工智能团队发起。

Docling 快速上手指南

Docling 是一款强大的文档处理工具，支持解析 PDF、DOCX、PPTX、图片等多种格式，具备先进的 PDF 布局理解、表格识别及 OCR 能力，并可无缝集成到 Gen AI 生态中。

环境准备

• 操作系统：支持 macOS、Linux 和 Windows。
• 架构支持：兼容 x86_64 和 arm64（Apple Silicon）。
• Python 版本：要求 Python 3.10 或更高版本（v2.70.0 起已停止支持 Python 3.9）。
• 前置依赖：建议确保 pip 为最新版本。国内用户可配置清华源或阿里源以加速下载。

安装步骤

使用 pip 直接安装核心包：

pip install docling

提示：若需更快的下载速度，可使用国内镜像源：

pip install docling -i https://pypi.tuna.tsinghua.edu.cn/simple

如需更详细的安装选项（如特定硬件加速支持），请参考官方文档。

基本使用

1. Python 代码调用

最简单的使用方式是通过 DocumentConverter 转换单个文档（支持本地路径或 URL）：

from docling.document_converter import DocumentConverter

source = "https://arxiv.org/pdf/2408.09869"  # 可以是本地文件路径或 URL
converter = DocumentConverter()
result = converter.convert(source)

# 导出为 Markdown 格式
print(result.document.export_to_markdown())

2. 命令行工具 (CLI)

Docling 内置了便捷的命令行工具，可直接在终端运行：

基础转换：

docling https://arxiv.org/pdf/2206.01062

使用视觉语言模型 (VLM)： 支持调用 GraniteDocling 等模型进行更高级的视觉理解（在 Apple Silicon 上自动启用 MLX 加速）：

docling --pipeline vlm --vlm-model granite_docling https://arxiv.org/pdf/2206.01062

转换完成后，文件将默认导出为 Markdown 或其他指定格式。更多高级配置选项请查阅官方文档。