ARTICLE · 1047331
PDF 转完表格就乱?用 Docling 给 AI 整理一份靠谱的资料
把产品手册丢进知识库，问一个价格，AI 却把两列数字串在了一起。
你以为是提示词没写好，打开解析结果才发现：表头丢了，跨页内容接错了，图片只剩一个占位符。原文件里明明写得很清楚，到了模型面前已经变了样。
做文档问答，值得先检查的就是这一步：模型拿到的内容，还保留着原文的结构吗？
今天的开源项目 Docling，做的是文档解析与结构化。它由 IBM Research Zurich 团队发起，目前是 LF AI & Data Foundation 项目，可以把 PDF、Word、PPT 等文档转换成统一的文档对象，再导出 Markdown、JSON 等格式。
转出文字，只是第一步
普通文本提取适合处理结构简单的文件。遇到双栏论文、扫描件、带合并单元格的表格，光把字拿出来，可能还不够。
Docling 提供版面分析、阅读顺序、表格结构和 OCR 等能力，目标是把标题、段落、表格和图片组织起来。具体效果仍取决于文档、模型和配置，需要拿自己的文件验收。
从多种文档到统一结构，再导出或接入 AI 应用。
这里有个容易混淆的词：“无损 JSON”不等于“原 PDF 识别零错误”。
JSON 保留的是解析后文档模型里的结构和元信息；解析时读错的数字，不会因为存成 JSON 就自动变对。Markdown 更适合阅读与预览，但不能表达文档模型里的全部信息。两份都留着，后面排错会方便很多。
先拿一份三页文档试试
第一次不建议把整盘文件一起拖进去。先找一份有正文、表格、插图的短 PDF，记下三个核对点：一段双栏文字、一张关键表格、一幅带图注的图片。
准备 Python 3.10 或更新版本，建议新建虚拟环境。本文安装示例固定为核验时的 2.129.0：
python -m venv .venv# macOS / Linuxsource .venv/bin/activate# Windows PowerShell 使用：# .venv\Scripts\Activate.ps1python -m pip install "docling==2.129.0"首次处理可能下载模型和依赖资源，需要网络、磁盘空间和等待时间。本地运行不代表第一次启动就能离线；需要离线部署时，先准备好对应模型，再按官方文档配置模型目录。
把文件命名为 sample.pdf，与下面脚本放在同一目录。保存为 convert_pdf.py：
from pathlib importPathfrom docling.document_converter import(DocumentConverter,PdfFormatOption,)from docling.datamodel.base_models importInputFormatfrom docling.datamodel.pipeline_options import(PdfPipelineOptions,)from docling_core.types.doc importImageRefModesource =Path("sample.pdf")output = Path("output")output.mkdir(exist_ok=True)options = PdfPipelineOptions()options.generate_picture_images = Trueoptions.images_scale = 2.0converter = DocumentConverter( format_options={ InputFormat.PDF: PdfFormatOption( pipeline_options=options, ), },)result = converter.convert(source)result.document.save_as_markdown( output / "sample.md", image_mode=ImageRefMode.REFERENCED,)result.document.save_as_json( output / "sample.json", image_mode=ImageRefMode.REFERENCED,)print("导出完成，请同时检查 Markdown、JSON 和图片目录")运行：
python convert_pdf.py代码按官方导出示例整理，本轮做了源码和语法核对，未运行模型转换。generate_picture_images 保留识别出的图片元素，REFERENCED 让 Markdown 引用外部图片文件。发给别人时要连同生成的图片目录一起带走，不能只拷贝一个 .md。
有文件生成，不代表转换过关
打开原 PDF 和输出结果，把前面标记的三个位置对着看：
如果扫描页没有文字，先查 OCR 配置和语言支持；图片没显示，检查是否开启图片生成，以及相对路径是否仍有效。表格有文件却错列，问题可能在识别阶段，改 Markdown 样式解决不了。
旧教程里会出现特定的默认 OCR 引擎和模型目录，不宜直接照搬。当前源码使用自动选择 OCR 的配置；需要指定引擎时，再按当前文档设置。
图片上的文字被识别出来，也不代表系统已经理解了整张统计图。 “提取图”“读图上的字”“解释图的含义”是不同任务，复杂图表可能还需要额外处理。
下一步，才是接入知识库
这条链可以拆开看：
原始文档 → Docling 解析 → 检查与切块 → 建立索引 → 检索相关片段 → 模型回答Docling 有 LangChain、LlamaIndex 等集成入口，但接上框架也不等于问答质量自动过关。建议先用几个能在原文定位答案的问题测试：检索命中了哪段，引用能不能回到原文，回答有没有漏掉限制条件。
如果后面的问答环节需要接入 Claude、GPT 等模型，可以了解 RouteFast（https://routefast.ai/）的 API 接入服务。文档解析和模型回答分开配置，也方便分别检查问题出在哪一层。
想补 RAG、Embedding、检索和评估，云栈的《大模型开发与微调全栈实战》（yunpan.plus/t/615）有对应章节。先按目录选需要的部分，资料按页面算力条件兑换。
你在其他教程里看到的网页上传界面，通常属于 Docling Serve，它负责把解析能力提供成服务。第一次练习先跑通库和脚本，再考虑服务部署，排错范围会小一些。
把转换过程留成一个小项目
保留原文件、输出目录、版本、配置和失败样本，再做一张验收表。这比只展示“成功生成 Markdown”，更能说明你真正理解了文档处理。
Docling 代码采用 MIT 许可，使用到的模型仍要分别查看对应许可。模型、格式和文件质量都会影响结果，不必照着别人的截图承诺速度或准确率。
你处理 PDF 最常卡在哪：扫描文字、跨页表格，还是转出来的阅读顺序？如果已经做过知识库，也可以说说最难排查的是哪一层。
项目与学习入口
开源项目： github.com/docling-project/docling官方文档： docling-project.github.io/docling云栈课程： https://yunpan.plus/t/615