Docling 评测：把任何文档转化为 AI 可用的结构化数据

一句话介绍

Docling 是一个开源文档解析引擎，能把 PDF、Word、PPT、Excel、HTML 等各种格式的文档自动转化为 AI 可用的结构化数据（Markdown、JSON、DocTags 等），支持 OCR、表格识别、图表理解，GitHub Star 数已突破 6.5 万。

工具简介

在构建 RAG（检索增强生成）系统或任何 AI 应用时，文档预处理是最基础也是最头疼的环节。PDF 里的表格结构丢失、代码块被截断、图表无法描述、扫描件需要 OCR……这些问题直接决定了下游 AI 模型的理解质量。

Docling 由 IBM Research Zurich 的 Deep Search 团队开发，于 2024 年 8 月发布技术报告，是目前开源社区中最成熟的文档解析工具之一。它不仅仅是一个转换器，而是一个完整的文档理解管道：从解析多格式输入 → 布局理解 → 表格/代码/公式/图表识别 → 统一 DoclingDocument 表示 → 导出为 Markdown、JSON、DocTags 等多种格式。

核心功能

1. 多格式输入支持

Docling 支持远超常见的文档格式：PDF、DOCX、PPTX、XLSX、HTML、EPUB、LaTeX、Markdown、图片（PNG、TIFF、JPEG）、WAV/MP3 音频、WebVTT 字幕、电子邮件（EML、MSG）、ODF 格式（ODT、ODS、ODP），甚至视频文件（MP4、AVI、MOV、MKV、WebM）——后者可提取 ASR 语音转写和关键帧。

2. 高级 PDF 理解

Docling 的 PDF 解析能力远超简单文本提取。它能识别页面布局、阅读顺序、表格结构、代码块、数学公式、图片分类，并且内置了强大的 OCR 引擎处理扫描版 PDF。最新版本还支持图表理解——自动将柱状图、饼图、折线图转换为表格或代码并生成详细描述。

3. 统一文档表示（DoclingDocument）

所有解析结果统一为 DoclingDocument 格式，这是一种表达力强、结构化的内部表示，保留了文档的层次关系（标题、段落、列表、表格、图片等）。用户可以选择导出为 Markdown、HTML、JSON（无损）、DocTags、WebVTT 等格式，也可以输出为 JATS、USPTO 专利、XBRL 财务等专业 XML 格式。

4. VLM 视觉语言模型集成

Docling 支持接入视觉语言模型（VLM）进行深度理解。例如使用 IBM 的 GraniteDocling（258M 参数）或其他 VLM 模型，可以对文档中的复杂图表、手写内容、低质量扫描件进行更智能的理解和描述生成。

5. 无缝 AI 框架集成

Docling 提供了 LangChain、LlamaIndex、CrewAI、Haystack 等主流 AI 框架的官方集成，开箱即用。同时还提供 MCP Server，可以连接任何支持 MCP 协议的 AI Agent。也可以直接以 API Server（docling-serve）方式部署，供多应用调用。

适用人群

• AI 应用开发者：构建 RAG 系统、知识库问答、文档摘要等应用时需要高质量的文档预处理
• 数据科学家：从海量 PDF/Word 报告/论文中提取结构化数据
• 企业用户：需要处理合同、财报、专利、邮件等敏感文档，Docling 支持本地执行，无需上传到第三方服务
• 研究人员：解析学术论文（支持 JATS 格式）、专利文档（支持 USPTO 格式）

与同类工具对比

总结：Docling 在表格识别、专业格式支持、视频/音频处理和 AI 框架生态集成方面全面领先，同时保持完全开源和本地运行，是目前文档解析领域的最佳选择之一。

如何使用

安装

pip install docling

要求 Python 3.10 或更高版本。

命令行使用（最简单）

# 将论文 PDF 转换为 Markdown
docling https://arxiv.org/pdf/2206.01062

# 使用 VLM 模型进行深度理解
docling --pipeline vlm --vlm-model granite_docling https://arxiv.org/pdf/2206.01062

Python 使用（推荐）

from docling.document_converter import DocumentConverter

source = "https://arxiv.org/pdf/2408.09869"  # 也支持本地路径
converter = DocumentConverter()
result = converter.convert(source)

# 导出为 Markdown
markdown_output = result.document.export_to_markdown()
print(markdown_output)

# 导出为 JSON（无损保留结构）
json_output = result.document.export_to_dict()

# 导出为 DocTags
doctags_output = result.document.export_to_doctags()

与 LangChain 集成

from docling.document_converter import DocumentConverter
from langchain.document_loaders import DoclingLoader

loader = DoclingLoader("path/to/document.pdf")
docs = loader.load()

部署为 API 服务

pip install docling-serve
docling-serve --port 8000

然后通过 HTTP API 调用：POST http://localhost:8000/convert

总结

Docling 是目前开源界最全面的文档解析工具，从 PDF 到视频、从表格到图表、从 OCR 到 VLM，覆盖了 AI 应用开发中几乎所有文档预处理场景。65K+ GitHub Star 和 IBM Research 的背景保证了其持续维护和快速迭代。

推荐指数：★★★★★

如果你正在构建 RAG 系统或任何需要处理文档的 AI 应用，Docling 几乎是必装工具。它的多格式支持、高质量表格识别、本地运行能力以及与主流 AI 框架的无缝集成，让它从众多文档解析工具中脱颖而出。

• 项目地址：https://github.com/docling-project/docling
• 文档：https://docling-project.github.io/docling/
• 技术报告：https://arxiv.org/abs/2408.09869

解析后的 Markdown 或 JSON 输出可用本站的 JSON 格式化工具 进行验证和美化。