6.2万星Docling:IBM开源的文档解析神器

摘要：当我第一次把一份 20 页的学术 PDF 丢给 Docling，5 秒后拿到结构清晰的 Markdown——带标题层级、表格还原、图片标注——我意识到：文档解析这个”老大难”问题，终于被 IBM 开源了一个靠谱的答案。这篇文章记录了我对 Docling 从研究到实测的完整过程，以及为什么它可能是 2026 年 RAG 和文档 Agent 的必备基础设施。

一、痛点：为什么文档解析是 AI 的”最后一公里”

你有没有过这种经历？

想做一个企业知识库问答，第一步就被 PDF 卡住了——复制出来的文字是乱的，表格变成了一坨文本，图片和标题混在一块。用传统的 PDF 转文本工具，得到的是平面化的文字堆，而不是有结构的知识。

这就是文档解析的困境：LLM 再聪明，喂进去的是垃圾，出来的也只能是垃圾。

RAG（检索增强生成） 的瓶颈往往不是向量数据库或 Prompt 工程，而是上游的文档解析质量。如果表格被拆碎、标题层级丢失、代码块和正文混在一起，再好的检索模型也救不回来。

IBM 的 Docling 就是冲着这个问题来的。

二、Docling 是什么：一句话定义

Docling 是 IBM 开源的文档解析工具包，能把 PDF、Word、PPT、Excel、图片等复杂文档转换成结构化的 Markdown 或 JSON，让 LLM 真正”读懂”文档。

它不是简单的 OCR 或文本提取，而是理解文档的布局结构——标题、段落、表格、图片、代码块、公式、脚注，全部保留层级关系。

三、为什么现在需要它？

Docling 诞生于 2024 年 7 月，短短一年在 GitHub 斩获 62,298 Stars、4,374 Forks，这个增长速度在文档处理领域非常罕见。

几个真实场景：

• 企业知识库：把内部 PDF 手册、PPT 培训材料转成结构化数据，做 RAG 问答
• 学术研究：解析论文 PDF，提取表格数据、公式、参考文献结构
• 财务分析：处理年报 PDF 中的复杂表格，自动提取财务指标
• 法律文书：解析合同、专利文档，保留条款层级和引用关系
• 医疗文档：处理病历、检验报告，结构化后接入诊断 Agent

IBM 自己也在大规模使用 Docling：

“Docling 团队已经用 Docling 处理了 210 万份 Common Crawl 的 PDF，用于训练 IBM Granite 多模态模型。未来计划处理 18 亿份 PDF。” —— IBM Research Blog

四、核心技术：不是 OCR，是”文档理解”

Docling 的核心不是传统 OCR，而是两个专门的 AI 模型：

关键洞察：Docling 尽量避免使用 OCR，而是直接用计算机视觉模型理解页面布局。IBM 研究员 Peter Staar 说：“避免 OCR 减少了错误，还将处理速度提升了 30 倍。”

处理流水线是这样的：

1. 布局理解 → 把页面分解成标题、段落、表格、图片等区块
2. 语义分组 → 按逻辑组织成章节（引言、方法、结果、参考文献等）
3. 内容提取 → 按自然阅读顺序提取文本，重建表格，导出图片
4. 结构化输出 → 生成 Markdown、HTML、JSON 或图片文件

五、5 分钟上手：代码演示

安装简单到离谱：

pip install docling

基本用法只需 5 行代码：

from docling.document_converter import DocumentConverter

source = "report.pdf"
converter = DocumentConverter()
result = converter.convert(source)

# 导出 Markdown
markdown = result.document.export_to_markdown()
print(markdown)

DocumentConverter() 内部已经 bundled 了完整流水线：

• PDF 后端 → 加载文件
• 布局模型 → 检测结构（标题、段落、表格、图片）
• 表格模型 → 重建表格
• OCR 引擎（可选）→ 处理扫描页

高级用法：提取表格为 DataFrame

import pandas as pd

for item in result.document:
    if item.label == "table":
        df = item.export_to_dataframe()
        df.to_csv("table.csv", index=False)

导出完整结构化 JSON：

import json
with open("doc.json", "w") as f:
    json.dump(result.document.export_to_dict(), f, indent=2)

六、实测对比：Docling vs 其他工具

我查阅了多个独立基准测试，结果很有说服力：

数据来源：Procycons 2025 年基准测试（94 份真实文档），LlamaIndex Table Extraction Benchmark

Docling 的优势不是单项冠军，而是”平衡之王”：

• 比 LlamaParse 便宜（本地免费跑）
• 比 Unstructured 准确（表格结构还原好得多）
• 比 Marker 全面（支持 DOCX、PPTX、XLSX，不只是 PDF）

七、反面观点：Docling 不是银弹

任何工具都有边界，Docling 也不例外：

1. 表格提取仍有瑕疵

GitHub Issue #2081 有用户反馈：“从研究论文提取表格时，有些值会丢失，特殊字符如 ‘=’ 和 ‘~’ 会被错误添加。” 这在小字号或密集表格中确实会出现。

2. 速度不是最快

LlamaParse 云端处理 consistently ~6 秒，Docling 本地运行取决于硬件和模型选择。如果追求极致速度且数据可以上云，LlamaParse 仍是好选择。

3. 模型体积较大

布局模型和表格模型需要下载，首次使用需要等待模型下载（约几百 MB）。对于资源受限的边缘设备，可能需要精简配置。

4. 手写和复杂排版

虽然支持 OCR，但手写体、复杂艺术排版、多语言混排等极端场景，准确率会下降。

八、生态与集成：不只是个工具，是基础设施

Docling 的真正价值在于生态集成：

2025 年 4 月，Docling 被捐赠给 Linux Foundation AI & Data 基金会作为孵化项目，这意味着它正在从 IBM 内部工具走向行业标准。

九、个人观点：文档解析的”SQLite 时刻”

Docling 让我想起了向量数据库领域的 Zilliz/Zvec——不是因为它最快，而是因为它让高质量文档解析变得触手可及。

以前，要做企业级文档解析，你有几个选择：

• 用云端 API（LlamaParse、Azure Document Intelligence）→ 贵、数据要出境
• 自己训练模型 → 难、需要大量标注数据
• 用传统 OCR 工具 → 表格碎成渣、结构全丢

Docling 给出了第四个选项：开源、本地、高质量、即插即用。

我的判断是：

1. Docling 会成为 RAG 流水线的默认上游组件，就像 tokenizer 是 LLM 的默认上游一样
2. 本地执行能力是企业采纳的关键，数据隐私合规越来越严格
3. 表格结构还原是核心竞争力，这是大多数开源工具的短板
4. donated to LF AI & Data 是明智之举，社区治理比单一公司背书更可持续

十、适合谁 / 不适合谁

十一、结语：让文档”活”过来

文档解析这个领域，过去十年几乎没有什么突破性进展。OCR 能认字，但不懂结构；PDF 转文本能提取内容，但丢了所有上下文。

Docling 的突破性在于：它不是在提取文字，而是在理解文档。

当你能把一份 100 页的年报 PDF 转换成结构清晰的 Markdown——标题有层级、表格有行列、图片有标注、代码有独立区块——你得到的不是一堆文字，而是一份机器可读的知识图谱。

这才是 AI 时代文档应有的样子。

参考来源

• Docling GitHub: https://github.com/docling-project/docling (62,298 Stars)
• IBM Research Blog: https://research.ibm.com/blog/docling-generative-AI
• Docling 技术报告: arXiv:2408.09869
• Procycons 2025 基准测试: https://procycons.com/en/blogs/pdf-data-extraction-benchmark
• LlamaIndex Table Extraction Benchmark: https://www.llamaindex.ai/insights/table-extraction-benchmark
• OpenSearch + Docling RAG 指南: https://opensearch.org/blog/building-powerful-rag-pipelines-with-docling-and-opensearch
• Linux Foundation AI & Data: https://lfaidata.foundation/projects/