夜雨聆风学习资料网

ARTICLE · 1045782

把PDF、Word、PPT变成AI真正看得懂的数据 | GitHub今日值得看 #032

发布时间：2026-09-20 19:32:41 最近访问：2026-09-20 19:32:41
把PDF、Word、PPT变成AI真正看得懂的数据 | GitHub今日值得看 #032
拿到一篇论文、一份 Word 或 PPT，直接扔给 AI，让它总结内容、提取重点、回答问题，已经是很常见的用法。
不过，处理论文、技术报告或几十页的复杂文档时，你可能遇到过这些情况：表格读乱了，双栏论文的段落顺序错了，公式丢了，图片和图注对不上。碰到扫描版 PDF，有时连文字都提取不出来。
这些问题可能出在文档解析阶段。AI 开始理解内容之前，拿到的数据就已经乱了。
今天介绍的 Docling，可以先把 PDF、Word、PPT、Excel、图片和音视频整理成结构化数据，再交给 AI 处理。

 01 Docling 是什么？

Docling 是一个开源文档解析工具，最初由 IBM Research Zurich 的 AI for knowledge 团队发起，目前是 LF AI & Data Foundation 旗下项目。
它负责把复杂文件整理成便于 AI 继续处理的数据，本身不提供聊天机器人或完整知识库的功能。
一篇 PDF 可能有标题、正文、表格、公式、图片和图注，还夹着页眉页脚，采用多栏排版。Docling 会尝试识别这些内容及其结构关系，再导出结果：
textPDF / Word / PPT / Excel / 图片↓Docling↓标题 / 正文 / 表格 / 公式 / 图片 / 阅读顺序↓Markdown / HTML / JSON↓AI / RAG / Agent

图：Docling 官方 docling_processing.png

 02 直接把 PDF 发给 AI，会有什么问题？

如果 PDF 只有一列文字、几个标题，没有复杂表格和公式，很多 AI 已经能处理得很好。
论文的情况往往复杂一些。同一篇文档里，可能既有双栏排版和跨页表格，也有数学公式、图片和图注、代码块、参考文献、页眉页脚，甚至混着扫描页面。解析工具需要处理这些内容的顺序和关系。
比如，一篇双栏论文原本应该这样读：
左栏第1段第2段第3段↓右栏第1段第2段第3段
如果单纯按页面坐标提取文字，结果可能变成：
左栏第1段右栏第1段左栏第2段右栏第2段……
文字都在，阅读顺序却乱了。
表格也有类似的问题。原本行列关系很清楚：
模型AccuracyF1A 92.191.6B 94.393.8
提取后却可能变成：
模型AccuracyF1A92.191.6B94.393.8
字符一个没少，行列结构却丢了。后续模型只能基于这样的输入理解内容，结果自然会受影响。Docling 要处理的，就是文件交给 AI 之前的这些解析问题。

 03 它会识别哪些内容？

普通的 PDF 转 TXT 主要提取字符，Docling 还会尝试恢复文档的组织方式。
它会识别页面上的标题、正文、列表、表格、图片、代码和公式，把不同类型的内容区分开。对于双栏、三栏论文或复杂报告，它也会尝试恢复阅读顺序，让导出的 Markdown 尽量保留标题、段落、表格和图注之间的逻辑关系。
表格处理关注的是行、列和单元格之间的对应关系。实验结果、财务数据、参数表和性能对比都依赖这些关系，单靠 OCR 或复制粘贴，容易得到一串散乱的数字。
数学公式和代码也需要单独识别，方便后续 AI 按对应的内容类型处理，避免把它们当成普通正文。
Docling 还能识别图片类型，并支持进一步的图表理解。目前已经开始支持柱状图、饼图、折线图等图表，将其中的信息转成表格、代码或文字描述。
对于没有可复制文字的扫描版 PDF 和图片，它可以通过 OCR 提取文字，再进入统一的解析流程。

图：Docling工作流

 04 用它处理一篇论文

假设下载了一篇 20 页的机器人论文，想放进自己的文献知识库。一个常见做法是：
PDF↓直接提取文字↓切成很多 Chunk↓向量数据库↓RAG
这套流程能运行，但如果第一步就解析错了，后面的切分、检索和回答都会受到影响。
接入 Docling 后，可以先恢复文档结构，再切分内容：
论文 PDF↓识别页面布局↓确定阅读顺序↓恢复标题 / 正文 / 表格 / 公式 / 图片↓建立统一的 DoclingDocument↓输出 Markdown / JSON↓再进行 Chunking↓进入 RAG / Agent
比如，实验表格属于“4.2 Experiment Results”，图片有对应的 Figure Caption，某个公式属于模型定义。保留这些上下文，有助于后续的总结、问答和检索，也能改善知识库的使用效果。
安装后，用一条命令就能处理本地论文：
```bashdocling paper.pdf```
也可以传入在线论文的地址：
```bashdocling https://arxiv.org/pdf/2206.01062```
默认即可得到结构化文档结果。即使暂时不搭建 AI 系统，也可以直接用它把 PDF 转成 Markdown，同时利用它对布局和内容结构的识别能力。

 05 支持哪些文件？

Docling 支持的输入大致可以分成四类：
* 办公文件：PDF、Word / DOCX、PowerPoint / PPTX、Excel / XLSX、OpenDocument。
* 网页和出版物：HTML、Markdown、LaTeX、EPUB、Apple Pages。
* 图片：PNG、JPEG、TIFF 等，可配合 OCR 处理扫描资料和图片文档。
* 音频和视频：支持音频 ASR，也增加了视频处理能力。
这样，公司里的 Word、PPT、Excel，以及电子书、网页资料和论文源码，都可以进入同一套处理流程。
以 MP4 为例，处理过程包括：
```text视频↓提取音频↓ASR 转录↓提取代表性关键帧↓整理成可以继续处理的内容```
从这些支持范围来看，Docling 正逐渐成为 AI 系统前面的内容预处理工具，用来统一整理文档、图片和音视频。

 06 怎么接入 RAG 和 Agent？

Docling 可以与 LangChain、LlamaIndex、Haystack、CrewAI 等工具配合，把整理好的内容送入后续 AI 工作流。
例如，企业知识库可以采用这样的流程：
```textPDF / Word / PPT↓Docling↓结构化内容↓Chunking↓Embedding↓向量数据库↓RAG↓大模型回答```
其中，Docling 负责最前面的文档解析和准备。
它还提供 MCP Server，支持 MCP 的 AI Agent 可以将它作为工具调用。例如，用户提出：
> “帮我把这个目录里的所有论文整理成 Markdown。”
Agent 就可以按这样的流程处理：
```text扫描文件↓调用 Docling↓解析 PDF↓得到结构化内容↓继续总结 / 分类 / 建知识库```
后续还可以让 Agent 进一步分析：
> “找出这些论文中所有机器人的实验平台、数据规模和精度结果。”
在这个分工里，Agent 负责推理和执行任务，Docling 负责把原始文件整理成适合继续处理的数据。我更愿意把它叫作 AI 的文档预处理器。

图：从文档到AI应用

 07 安装和使用

需要 Python 3.10 或更高版本，然后安装：
```bashpip install docling```
安装完成后，可以转换 PDF：
```bashdocling paper.pdf```
也可以转换 Word 文件：
```bashdocling report.docx```
或者直接处理 URL：
```bashdocling https://arxiv.org/pdf/2206.01062```
在 Python 项目中调用的示例：
```pythonfrom docling.document_converter import DocumentConverterconverter = DocumentConverter()result = converter.convert("paper.pdf")print(result.document.export_to_markdown())```
拿到结果后，可以保存为 Markdown、转成 JSON，也可以继续做 Chunking，接入 RAG 或交给 Agent。
Docling 支持 Windows、macOS 和 Linux，可以在本地运行。企业内部资料、尚未公开的论文、项目技术文件和敏感数据，可能不适合上传到第三方在线服务；需要在内网或私有环境中处理这些资料时，本地运行就很有用。

 08 哪些场景用得上？

如果你需要批量解析论文、建立文献知识库，或者搭建 RAG，把 Word、PDF、PPT 统一整理成结构化内容，Docling 值得试试。开发需要读取复杂文件的 Agent、为扫描文档做 OCR 和结构恢复，以及在本地整理大量企业资料，也都是它适合的场景。
如果只是一个月偶尔上传一篇十页 PDF 给 ChatGPT 做总结，直接使用成熟的多模态 AI 通常就够了，没有必要专门部署 Docling。
我会在需要批量、自动化处理复杂文档，并把结果接入知识库或 Agent 工作流时考虑它。

 09 项目地址

Docling 采用 MIT License 开源。目前项目已有 6.7 万+ GitHub Stars，仍在持续更新。
* GitHub：https://github.com/docling-project/docling
我们挑选模型时，经常比较它们的能力、上下文长度和回答论文问题的准确度。处理复杂文档时，输入数据的质量也会影响结果。表格、公式、阅读顺序以及图片和图注的对应关系，都值得在解析后检查一遍。
这个系列会继续每天挑一个值得看的开源项目。如果你也关注 AI Agent、科研工具、知识库，以及能改善 AI 使用效果的工具，欢迎关注“GitHub今日值得看”。

相关学习资料