IBM AI4K团队做了个工具,把PDF变成AI能直接啃的数据

电脑里躺着几百篇PDF资料，想用AI帮忙读，结果发现它经常答非所问。

问题不在模型，在文件本身。PDF是给人看的排版格式，不是给机器读的数据格式。

IBM苏黎世研究院做了个工具叫Docling，专门解决这件事。

Docling的功能

把各种文档，转成AI能直接用的结构化数据。

支持的文件类型很多：PDF、DOCX、PPTX、XLSX、HTML、EPUB、Apple Pages、WAV、MP3、WebVTT、Box Notes、EML、MSG、PNG、TIFF、JPEG、LaTeX、纯文本，还有ODF、XBRL、Markdown变体。

但真正的重点不是「支持多少格式」，是PDF解析做得细。

普通工具读PDF，就是抽文字。Docling会分析页面布局、阅读顺序、表格结构、代码块、公式、图片分类。两栏论文，它知道先读左栏再读右栏。表格，它知道哪是表头哪是数据。

它统一转成一种叫DoclingDocument的表示格式，再导出。可以导出Markdown、HTML、WebVTT、DocLang、DocTags，以及无损JSON。无损JSON这点对科研重要，意味着后续还能还原结构信息。

三个实用场景

• 本地运行，敏感数据、内网环境都能跑，不用把文件传到别人服务器。对处理未发表数据的人来说，这条是硬需求。
• OCR支持，扫描版PDF、图片里的文字，它能识别。
• 和AI框架打通，LangChain、LlamaIndex、Crew AI、Haystack都能直接接，还有MCP server，能连各种智能体。

快速使用

pip安装：

pip install docling

命令行转一个文档：

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

当前目录会生成一个md文件，里面是结构化的文档内容。Python里用：

from docling.document_converter import DocumentConvertersource = "https://arxiv.org/pdf/2408.09869"converter = DocumentConverter()result = converter.convert(source)print(result.document.export_to_markdown())

Docling是MIT协议开源，托管在LF AI & Data基金会下，最初由IBM Research Zurich的AI for knowledge团队发起。项目还在活跃更新，最近加了视频解析、图表理解这些功能。

开源地址：https://github.com/docling-project/docling