Docling

Docling 是什么？

Docling 是面向生成式 AI 的开源文档处理项目，由 IBM Research Zurich 的 AI for knowledge 团队发起，目前属于 LF AI & Data Foundation 项目生态。它解决的是知识库建设中容易被忽视的一步：PDF 和办公文件不只是文字，还包含栏位、表格、图片和阅读顺序，简单复制文本往往会丢掉这些关系。

Docling 将多种输入转换为统一的文档结构，再导出 Markdown、HTML、JSON 或适合检索的片段。官方 GitHub 仓库截至2026年10月26日累计约6.96万 Stars。项目代码采用 MIT 许可，但所用模型、第三方依赖及原始文件的权利需要分别检查。

主要功能

• 多格式解析：支持 PDF、DOCX、PPTX、XLSX、HTML 和图像等常见材料，适合统一处理企业内部不同来源的文件。
• 布局与阅读顺序：关注多栏页面、标题层级和元素关联，减少逐行抽取造成的内容混乱。
• 表格与扫描件：提供表格结构识别和 OCR 能力，为报告、手册及扫描档案提供更可用的输入。
• 统一文档对象：以 DoclingDocument 保存结构，后续可按需要导出，而不必每次重新解析原文件。
• AI 工作流集成：可接入 LangChain、LlamaIndex、Haystack 等生态，另有 Docling Serve 和 MCP 相关项目，便于将转换能力封装成服务。

适合谁，能带来什么价值？

如果团队正在把产品手册、企业制度、论文报告放入知识库，Docling 可以承担“文件进入检索系统之前”的解析环节。它对需要表格与来源定位的场景尤其有价值，因为保留结构能够让后续搜索和回答更容易追溯原文。对普通读者而言，它不是开箱即用的聊天网站，更适合作为开发者的数据处理组件。

合同、票据等材料也能进入后续处理流程，但解析不等于法律审核、财务核算或事实判断。重要金额、条款和表格应继续由人工或专门校验程序检查。

如何使用

1. 准备 Python 3.10 或更高版本，在独立环境安装 docling，先使用官方示例和非敏感样本。
2. 通过 CLI 转换本地文件，或在 Python 中使用 DocumentConverter.convert，再调用文档对象的 export_to_markdown 等导出方法。
3. 根据输入选择标准 PDF、OCR 或视觉语言模型处理路径，不必一开始启用所有扩展。
4. 检查标题层级、跨页表格、阅读顺序和扫描文字，再把输出接入向量检索或其他数据管线。
5. 需要多人调用时评估 Docling Serve；生产环境增加任务队列、资源上限、隔离与日志，不把本地示例直接当作安全上线配置。

同类项目比较

选型应从输入材料和目标出发：手里已经有大量 PDF，优先评估文档解析；要收集网页，先考虑采集组件；需要可用的问答界面，则还需应用层。三者并非互相完全替代。

部署、费用和限制

本地使用不要求把文件上传到公共服务，但首次运行可能需要下载模型；离线或敏感环境应提前准备模型文件，并确认没有启用远程模型或外部服务。MIT 代码许可并不意味着所有模型都采用同一许可，也不免除对输入资料的版权和隐私责任。服务器、算力和托管服务仍可能产生费用。

低质量扫描、多语言混排和复杂表格会影响结果，不应承诺百分百还原。视觉模型、音频等扩展可能带来额外硬件与依赖要求。2026年10月23日的 v2.142.1 包含资源边界与解析稳健性修复，处理不可信文件时应保持更新并限制资源消耗。

官方入口

GitHub 仓库 · 官方文档 · 官网 · 版本说明 · MIT 许可

官网截图及标识来源：Docling 官方网站与项目仓库，仅用于项目介绍。