简介
Docling 是一个开源的文档解析与理解框架，旨在将异构文档（PDF、DOCX、PPTX、HTML、图像、音频等）转换为统一的结构化表示，便于下游知识抽取、RAG（检索增强生成）与检索索引构建。它集成了 OCR、版面分析、表格识别与多格式转换能力，同时提供本地执行以满足隐私与离线场景需求。
主要特性
- 支持多种文档格式的统一解析（PDF、DOCX、PPTX、HTML、图片、音频）
- 先进的 PDF 布局与表格理解，保持阅读顺序与结构信息
- 与主流检索/代理框架集成（如 LangChain、LlamaIndex 等），方便构建 RAG 流水线
- 提供命令行工具与 Python API，支持本地运行与批量处理
使用场景
- 构建文档问答与知识库（RAG）管道，将非结构化文档转为可检索片段
- 批量抽取学术文献/报告的元数据与章节内容，用于文献综述或索引
- 对扫描件与图像类文档进行 OCR 与结构化处理，应用于档案数字化
- 将复杂报表/表格转为结构化数据以便进一步分析
技术特点
- 以 Python 为主的实现，兼容多平台（x86_64 与 arm64），并可通过 pip 安装
- 支持外部 VLM（如 GraniteDocling）与 ASR 模型，扩展视觉与音频能力
- 注重可组合性：提供统一的 DoclingDocument 表示，可导出为 Markdown、HTML、JSON 等格式