Docling 文档解析工具

Docling 是 IBM Research 团队用 Python 写的开源文档解析工具,GitHub 近 6.9 万星,能把 PDF、Word、PPT、Excel 和扫描件拆成 AI 直接能读的 Markdown 或 JSON,MIT 协议免费商用,没有显卡也能跑。

它解决的是 RAG 项目里最不起眼又最费时间的一环:原始文档进不了模型。一份双栏排版的年报,用普通工具抽出来文字顺序是乱的,跨页表格被拆成两半,页脚和脚注混进正文。拿这种文本去喂大模型,回答看着头头是道,数字却经常是编的。知识库好不好用,很多时候不取决于换了多大的模型,而取决于喂进去的那一步有没有人认真处理。

它具体做什么

  • 版面分析加阅读顺序还原:先判断页面里哪块是标题、正文、表格、图注、页眉页脚,再按人读的顺序拼回文本,双栏、三栏、带侧边栏的排版都不会串行。
  • 表格结构识别:内置的 TableFormer 模型能认出单元格的行列关系,跨页表格、合并单元格都能还原成规整的 Markdown 表格,数字不会挪到隔壁列去。
  • 扫描件走 OCR:文本层正常的 PDF 直接解析,纯图片扫描件自动识别,OCR 引擎可以选 EasyOCR、Tesseract、RapidOCR,中文和英文混排都能处理。
  • 结构化输出:一份文件同时给你 Markdown、JSON 和 HTML 三份结果,图片、公式、代码块会单独切出来存成文件,图注跟着图走。
  • 为切片做准备:自带的分块工具按 token 长度切文档,切开之后标题层级和所在章节还保留着,检索时能带上上下文,比按固定字数硬切准确得多。

基本信息

项目 情况
GitHub 星数 约 6.9 万
开发语言 Python
开源协议 MIT,可商用可改
最新版本 v2.143.0,2026 年 10 月 26 日发布
支持格式 PDF、DOCX、PPTX、XLSX、HTML、图片、音频
运行环境 CPU 可用,有独显更快,内存建议 8GB 以上
调用方式 Python 库、命令行、独立接口服务、MCP

适合谁用

  • 正在搭企业知识库、文档问答系统,被 PDF 表格卡住的开发者
  • 需要把大批合同、标书、研报转成结构化数据的运营和分析岗
  • 用 LangChain、LlamaIndex 拼 RAG 流程,发现检索命中率上不去的人
  • 文件不能上传外部服务的单位,要在内网本地跑完整解析流程

怎么开始用

  1. 装环境:一条 pip install docling 就够,要求 Python 3.10 以上;首次运行会自动下载版面与表格模型,几百兆,等一次就行
  2. 先用命令行试一份:把文件路径喂给 docling 并指定输出 Markdown,同目录下会生成 md 文件和一个图片文件夹,直接打开看还原效果
  3. 再进代码:用 DocumentConverter 转换,拿到文档对象后既可以导出 Markdown,也可以导出带坐标和层级的字典结构
  4. 批量处理:写个循环扫目录即可;要给前端或多个程序共用,就起一个接口服务,用请求提交文件、拿回结果
  5. 接进知识库:用自带分块器切开后写入向量库,切片时保留标题层级,检索召回会明显好于等长暴力切

常见问题

问:Docling 和 PyPDF2、pdfplumber 有什么区别?

答:后两个主要抽字符和坐标,版面靠你自己判断,表格常常串位;Docling 先做版面分析和阅读顺序还原,再识别表格结构,输出的是带章节层级的干净文本,更适合直接喂模型。

问:中文 PDF 和扫描件能处理吗?

答:能。有文本层的中文 PDF 直接解析;纯扫描件会自动走 OCR,中文识别可用 RapidOCR 或 EasyOCR 的模型,中英混排效果不错,竖排和手写体一般。识别质量差可以换引擎、加大语言包再试一次。

问:一定要有显卡吗?

答:不需要。CPU 上跑一份二十页的 PDF 通常十几秒到几十秒,偶尔用完全够;要批量处理上千份,再加张显卡能快好几倍。

问:转出来的表格能直接贴进 Excel 吗?

答:Markdown 表格粘进 Excel 会散成一片。要保留行列关系,建议走 JSON 输出取单元格数据,或者把解析出的表格单独导出成 CSV,再导入表格软件。

问:商用需要授权吗?

答:项目本身是 MIT 协议,商用、改代码、集成进闭源产品都可以,保留版权声明即可;但它调用的 OCR 模型有各自的协议,对外提供服务前建议核对一遍。

最后更新:2026-10-27

声明:本站所有文章,如无特殊说明或标注,均为本站原创发布。任何个人或组织,在未征得本站同意时,禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益,可联系我们进行处理。