67.7K Star!别再手抠 PDF 了:docling 把合同、报表一键转成 AI 能读的 Markdown

每月 301 万次 pip 下载，2 年 2 个月，6.7 万颗星。

docling 干的事一句话说得完：把 PDF、Word、PPT、Excel 这些人类格式，转成 AI 能直接吃的结构化数据。

它是什么

IBM Research 苏黎世团队开源、现在挂在 Linux 基金会 AI & Data 项目下的文档解析库，已经走到该基金的毕业阶段。MIT 许可证，Python 写的，2024 年 7 月建仓，最新版本 2.130.0 发布于 9 月 22 日。

一句话概括它的位置：它是文档进入 AI 流水线之前的"清洗层"——不负责回答问题，只负责把乱糟糟的版面变成干净的、带结构的文本。

能干什么

输入侧支持得有点离谱：PDF、Word、PPT、Excel、HTML、EPUB、Apple Pages、LaTeX、各种图片、音频、邮件，还有 XBRL 财报、JATS 论文、USPTO 专利这些垂直格式。

这份清单还在加。视频（MP4、AVI、MOV、MKV、WebM）现在也能解析，带语音转写和关键帧；ODF、XBRL、EPUB、Apple Pages、纯文本这几类，也都是后补进来的。

输出侧给三档：Markdown、HTML，以及它自己的无损格式。

三个能力值得单独拎出来：

扫描件 OCR。 纯图片的 PDF 也能读。

表格和公式。 复杂跨页表格的结构还原，是它跟普通 PDF 库拉开差距的地方。

图表理解。 柱状图、饼图、折线图能直接转成表格或代码。

怎么工作的

一条标准调用链：

from docling.document_converter import DocumentConverterconverter = DocumentConverter()result = converter.convert("report.pdf")print(result.document.export_to_markdown())

底层是"版面分析 → 阅读顺序 → 表格结构 → OCR → 输出"的流水线，重活交给模型，所以绕不开 torch。

命令行版本更省事：docling report.pdf 一条命令就出 Markdown。要接进现有系统，官方提供了 docling-serve 把它跑成一个 HTTP 服务，另外还单开了一个 MCP server 仓库——意思是它可以被当成 Agent 的一个工具直接调用。

它天生适合本地跑。 模型能下载到本地，读取本地文件和远程资源的两个开关默认都是关的——数据不出内网。

适合谁

要把合同、研报、发票、标书喂给 RAG 的人，这是它的主场。数据不能出内网的场景，本地推理是它和云端解析 API 的分水岭。要处理扫描件、复杂表格、多语言文档的团队也合适。

还有个容易被忽略的适用面：学术和法务。它内置了 JATS 论文、USPTO 专利、XBRL 财报这三种垂直格式的解析后端，这三个都不是通用 PDF 转换器能顺手覆盖的。

反过来不适合谁：只想从结构干净的 PDF 里抽个纯文本的，为这点事装 torch 太重，pypdf 就够了。

有没有坑

第一，这个库天然是攻击面。 2026 年 6 月 2 日一天发了 6 条安全公告——XXE、Zip Slip、路径穿越、SSRF、渲染时能跑 JavaScript，8 月 24 日又补了一条：解析 ODF 文档时能读你机器上的任意本地文件。

这 7 条现在都已经修完，修复版本分别是 2.74.0、2.91.0、2.94.0、2.120.3，当前版本全在覆盖范围内。但教训很直接：解析来路不明的文档，等于让别人的文件在你的机器上跑。 它们全都出在"读别人给的文档"这同一条路径上，最近一条距今才一个月。生产环境请锁死版本、跟着升级、把解析放进沙箱，并且保持那两个读取开关是关的。

第二，大文件会把内存吃干。 有一条 issue 从 2025 年 12 月挂到现在还是 open，标题就叫《Docling 把所有可用内存吃光然后被杀掉》，19 条讨论，官方只给了它一个"提问"标签，没进 bug 流程。几百页的 PDF，建议先切分再转。

第三，迭代快到要跟版本。 近三个月主分支 332 次提交，近一个月发了 8 个版本。好处是安全修复跟得上，代价是输出格式偶尔会变——写进产品管道得有回归测试。

第四，它做过一次仓库迁移。 老地址是 IBM 时代的 DS4SD/docling，现在是 docling-project/docling。旧文章和旧脚本里写的地址会跳转，把路径写死在配置里会踩。

顺带一个数字陷阱：这个仓库贡献者排第二的是个自动化机器人，占了 17.2% 的提交。看活跃度时得先把它剔掉，否则会把自动版本提交算成人的工作量。

项目地址：https://github.com/docling-project/docling^[1]

这次的完整取证——7 条安全公告逐条核对、下载量实测、内存问题追踪——都会进我的知识库「GitHub项目集」。下回你要找能本地跑的文档解析工具，直接去库里翻，不用从头再搜一遍。

我是海冰，持续拆解 GitHub 上真正值得用的开源项目。 仓库天天有新东西，值得花时间的其实不多，我替你先把一遍。如果这篇帮你省了自己翻仓库的时间，欢迎点赞、在看、转发，我们下篇见。

引用链接