Docling 一个基于 Python 开发、用于解析各种文档（PDF、DOCX、PPTX、XLSX、图片、音频等）的免费工具，支持与生成式 AI 生态进行无缝集成。

Docling 项目由 IBM 维护并开源，代码托管在 GitHub，目前已经获得了 36.5K Stars：

https://github.com/docling-project/docling

功能特性

Docling 的主要功能特性如下：

• 🗂️支持解析主流文档格式，包括 PDF、DOCX、PPTX、XLSX、PNG、TIFF、JPEG、WEBP、HTML、WAV、MP3 等；
• 📑提供高级 PDF 文档理解功能，包括页面布局、阅读顺序、表格结构、代码、公式、图片分类等。
• 🧩采用统一的、富有表达力的 DoclingDocument 表示格式，以及一套文档构建 API；
• ↪️支持各种导出格式和选项，包括 HTML、Markdown、Doctags 以及无损 JSON；
• 🔒允许本地运行，适用于敏感数据和网络隔离环境；
• 🤖集成各种 AI 平台，包括 LangChain、LlamaIndex、Crew AI、Haystack 等；

• 🔍对扫描式 PDF 和图片提供广泛的 OCR（EasyOCR、Tesseract、RapidOCR、Mac OCR）支持；
• 👓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；
• 💻提供简单易用的命令行工具。

目前正在开发中的功能包括：

• 📝元数据提取，包括标题、作者、参考文献以及文本语言；
• 📝 图表理解（条形图、饼图、折线图等）；
• 📝 复杂化学理解（分子结构）。

系统架构

Docling 的架构如下图所示：

对于每种文档格式，文档转换器知道要使用哪个特定格式的后端模块来解析文档，以及使用哪个 pipeline 来协调执行，以及任何相关的选项配置。

Docling 允许通过第三方插件进行功能扩展。

下载安装

如果你已经安装了 Python 环境，可以使用包管理器进行安装。例如：

pip install docling

这种方式支持 macOS、Linux 以及 Windows 系统，包括 x86_64 和 arm64 架构。

以下是一个解析 PDF 文件的 Python 代码示例，输出格式为 Markdown：

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[...]"

另外，也可以直接从命令行使用 Docling：

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

官方文档：

https://docling-project.github.io/docling/