Docling：IBM 开源的文档解析与转换工具

项目地址：

Docling 是一个基于 Python 的文档解析工具，支持 PDF、DOCX、PPTX、XLSX、图片、音频等多种格式的解析，可与生成式 AI 生态集成。项目由 IBM 维护并开源。

功能特性

• 支持解析主流文档格式：PDF、DOCX、PPTX、XLSX、PNG、TIFF、JPEG、WEBP、HTML、WAV、MP3 等
• 提供高级 PDF 文档理解功能：页面布局、阅读顺序、表格结构、代码、公式、图片分类
• 采用统一的 DoclingDocument 表示格式及文档构建 API
• 支持多种导出格式：HTML、Markdown、Doctags、无损 JSON
• 允许本地运行，适用于敏感数据和网络隔离环境
• 集成 AI 平台：LangChain、LlamaIndex、Crew AI、Haystack 等
• 对扫描式 PDF 和图片提供 OCR 支持（EasyOCR、Tesseract、RapidOCR、Mac OCR）
• 支持视觉语言模型 SmolDocling，用于解析图片文件
• 通过自动语音识别（ASR）模型解析音频文件
• 提供命令行工具

开发中的功能：

• 元数据提取（标题、作者、参考文献、文本语言）
• 图表理解（条形图、饼图、折线图等）
• 复杂化学结构理解（分子结构）

系统架构

Docling 按文档格式划分文档转换器。每种格式对应特定的后端模块来完成解析，由 pipeline 协调执行，并支持相关选项配置。Docling 允许通过第三方插件进行功能扩展。

下载安装

安装 Python 环境后，使用包管理器安装：

pip install docling

支持 macOS、Linux、Windows 系统，涵盖 x86_64 和 arm64 架构。

解析 PDF 并输出 Markdown 的 Python 示例：

from docling.document_converter import DocumentConverter

source = "https://arxiv.org/pdf/2408.09869"  # file path or URL
converter = DocumentConverter()
doc = converter.convert(source).document

print(doc.export_to_markdown())  # output: "### Docling Technical Report[...]"

命令行方式：

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

官方文档：