ARTICLE · 1214476
纯 Go 文档解析库 docling 完全开源!PDF、Office、电子书、CAD、GLB 都能读给 AI
⬆️ 关注 联犀，最及时最干货的 AI + IoT 分享
GitHub 项目地址见文末
纯 Go 实现、MIT 开源、无需 cgo。docling，让资料接上 AI！
做知识库，拿到的资料很少只有一种格式：说明书、报表、培训电子书、软件手册，工程项目里还有 CAD 图纸和三维模型。先把内容读出来，AI 才有材料去整理要求、比较数据、查找依据。
联犀开源的 Go 文档解析库 docling，把这些入口接在一起。这次又补上 新增 DOC · XLS · EPUB · CHM：DOC、XLS 对应旧版 Office，EPUB 是电子书，CHM 是帮助手册，各有自己的使用场景。
下面把完整输入输出、真实样本效果和上手方法放在一起。拿手头的资料，就能对照着试！
现在，哪些文件可以读？
PDF 与办公文档： PDF；Word 的 DOC · 新增、DOCX；PowerPoint 的 PPTX。
表格与数据： Excel 的 XLS · 新增（Excel 97–2003 BIFF8）、XLSX，以及 CSV。
电子书与帮助文件：EPUB · 新增、CHM · 新增。按电子书声明的阅读顺序，或帮助文件的目录主题页组织内容。
网页、邮件与文本： HTML（.html / .htm）、Markdown（.md / .markdown）、AsciiDoc（.adoc / .asciidoc）、EML 邮件、TXT 纯文本。
图片与 SVG： PNG、JPEG（.jpg / .jpeg）、BMP、WEBP、SVG。栅格图片中的文字需要配置 OCR；SVG 可以读取已有文本、标题和描述。
CAD 图纸： DWG（R9～R2018）、ASCII / 二进制 DXF（.dxf / .dxfb），支持按识别到的图框拆页。
三维模型： GLB 2.0，读取场景、节点、网格、渲染材质名称和文件已有的自定义属性。
专用结构回读： DoclingDocument JSON，通过 ParseDoclingDocument 读取已有的结构化文档；这个入口不解析任意业务 JSON。
这些格式汇入同一个 DoclingDocument 文档模型，业务侧可以围绕同一套结构继续处理，把提取出的文字、表格和来源接进自己的工作流。
解析之后，能拿到什么？
Markdown： 适合人工阅读、AI 整理与内容检索，把已识别的标题、列表、表格组织出来。
HTML： 用于网页展示，可通过 Go API 的 ToHTML 导出。
DoclingDocument JSON： 保存已提取的正文、表格及结构信息，也保留解析器能提供的页码、位置或对象索引等来源，便于业务系统继续处理。
content_list JSON： 将文档展平为内容条目，保留类型、层级等元数据，适合筛选、切片和知识库索引。
另外，CLI 默认提供 Outline 结构目录，方便先看章节、工作表和对象清单；Go API 还提供纯文本提取、层级分块、混合分块和知识库分块。它们是配套视图与处理能力，和前面的四种文档导出分开使用。
解析、分块之后，嵌入、索引和检索由知识库接着完成。 先检查内容和来源，再交给 AI，后面的问答才有依据。
Excel 里的图表，数值也能带出来
先看一份 XLSX：工作表有月度数据，也有原生折线图。想让 AI 比较变化，图表里的数值必须读得出来。
仓库 rich-chart.xlsx 构造样例；上方是原始图表局部，下方为 docling v1.6.2 本次实际解析的图表数据。
1 月 120、2 月 186、3 月 154，三个值进入了表格。 原生图表的类别、系列和缓存数据，可以继续交给 AI 分析；图片中的图表则需要另配视觉识别。
这轮还跑了微软 Open XML SDK 的 DOCX 图表和 PPTX 三维饼图测试文件，图表数据同样进入了 Markdown 表格。数值展示和业务计算口径，仍要结合原件核对。
DOC、XLS：把旧版 Office 也接上
DOC 现在可以直接提取段落和表格单元格里的文字，不必先转成 DOCX。
Apache POI 的 simple-table.doc 样本里有一个两行三列的表格，本次读到了六个单元格的文字，以及表格后的正文。DOC 这条路径侧重文字提取，表格行列会被压平，图片、完整版式和标题层级不作完整还原。
XLS 则保留工作表分组与单元格表格结构。下面是 Apache POI 的真实测试文件：
本次 v1.6.2 输出节选：上表为 15375.xls 的前四列，日期来自 DateFormats.xls。
样本中的 5% 保持百分比显示；不同显示样式对应的同一天，统一成 2007-08-10。Sheet1、Sheet2、Sheet3 的顺序也保留下来。
XLS 公式使用文件保存的缓存结果，不重新计算。 常见内置百分比和日期样式有对应处理，自定义数字格式不完整模拟；缓存过旧或缺失时，需要回表格软件核对。更早的 Excel 版本不在这轮支持范围内。
EPUB、CHM：电子书和帮助手册，按顺序读
EPUB 里有章节、导航和阅读顺序。docling 按文件声明的阅读顺序组织内容，适合接着整理培训资料、技术书籍或章节术语。
CHM 常见于 Windows 软件帮助和开发手册。这次接入后，会按目录组织主题页，提取 HTML 正文中的标题、列表和文字。
上方为 W3C EPUB 测试样本，下方为 pylibmspack 提供的 NSIS 帮助手册；均为本次实际解析结果节选。
W3C 样本中的两个导航链接内容与后续正文保持先后关系；NSIS 手册的主题标题和正文也进入了输出。一本资料、一份帮助手册，都可以接上同一套内容整理流程。
电子书阅读器、CHM 原文件预览不在本轮功能内；部分 HTML 内容会被过滤，提取结果需要和原件对照。
PDF、CAD、GLB：工程资料也有入口
PDF：先把内容和来源留下。 本次解析了一份 10 页 GoHotDraw 公开论文，提取到论文标题、作者及正文。双栏页面中，也发现了部分标题和正文混接的情况；复杂排版要核对阅读顺序，扫描件和图片文字需要配置 OCR 或视觉增强。
CAD：按图框整理，知道文字属于哪幅图。 DWG、DXF 通过集成的 go-cad 处理图框、文字及渲染图，再进入统一文档结构。
GLB：把模型里已有的信息读出来。 场景、节点父子关系、网格名称、渲染材质与已有属性，可以组织成可检索内容；对象索引便于区分重名节点。
上方为仓库双图框 DXF 构造样例，解析为两页并保留各自文字；下方为 OrientationTest 标准模型的已有结构信息。模型来源：Khronos 测试资产，Ed Mackey / AGI，CC BY 4.0。
这里的 GLB 样本读到 1 个场景、13 个节点、13 个网格、7 个渲染材质，还保留了 #/nodes/0 这样的对象来源。docling 本身不渲染三维几何，也不会从外观推测尺寸、工程材料或设备清单。
CAD 的线条字、嵌入图片文字仍需另行识别；STEP、IFC 尚未接入。工程核对要结合原图和原模型。
这些测试文件，大家也能拿来对照
本篇用 docling v1.6.2、ur v0.8.7 跑了 11 份代表性样本，包括真实公开文件和仓库构造样例：PDF、DOC、DOCX、XLS 与日期样本、XLSX、PPTX、EPUB、CHM、DXF、GLB。
新增四种格式在开发阶段还用 Apache Tika 的文本结果做过独立对照。DOC 表格文字被压平、XLS 日期规范化、CHM 部分 HTML 被过滤，这些差异都保留在说明里；对照工具不进入交付运行依赖。
项目的 examples 目录提供多类源文件与期望 Markdown。别只看“解析成功”，把原件与结果并排看：关键文字有没有漏，工作表和章节顺序对不对，表格还保留了什么结构。
先拿一份资料跑起来
已经安装联犀 CLI 的用户，先升级，再看支持格式：
同一条命令，换一个文件就能继续用：
也可以换成 DOC、DOCX、XLSX、PPTX、EPUB、CHM 等已支持文件。先看 Outline，再按需要导出正文或 JSON，内容多时用 --out 文件名 保存。
首次安装 ur（Linux / macOS）：
Go 开发者可以直接引入库（Go 1.25.3 及以上）：
也可单独安装 docling CLI：
库以 ParseByExt 为统一扩展名入口；HTML 导出、纯文本提取和分块等能力通过 Go API 使用。CLI 的导出选项为 outline、md、content-list、json。
基础解析保持纯 Go、无需 cgo，可以随 Go 服务构建部署。 扫描件、图片表格等识别任务可配置 OCRHook / PDFVisualHook，模型位置、费用与效果取决于配置。旧版 PPT、加密或损坏文件，以及尚未支持的格式，需要按范围和错误提示处理。
这里介绍的是联犀的 Go docling，文档模型参考 Docling Core 协议，与 Python Docling 的能力范围和工程取舍不同。
从一份文件，接到自己的 AI 工作流
想直接在业务中用，联犀知识库已接入 docling，解析后可以继续分块、索引、检索和来源回查；新格式接入也已完成，自部署用户需升级到包含对应能力的版本。
装好联犀 CLI 和对应 Skills 后，还可以让 WorkBuddy、CodeBuddy 等 AI 工具调用。任务可以这样交代：
读取工作目录中的说明书.doc、报表.xls、培训资料.epub 和软件手册.chm。整理维护要求、字段含义、培训要点和操作说明，注明文件及章节或工作表；缺少依据的内容单独列出。
可复制的任务示例，非 AI 实际执行记录。
把文档、电子书、图纸和模型接进同一套纯 Go 工具，我们很开心！做 AI 应用、工程交付或知识库的朋友，拿一份自己的资料试试。 把具体问题和可分享的样本带到 GitHub Issue，一起把它读得更好。
也把这篇交给正在处理资料的同事：从原文件开始，看正文、看顺序、看来源，再决定怎样接进自己的工作流。
开源地址
GitHub：https://github.com/unitedrhino/docling
源码、使用说明和 examples 测试样本都在仓库里，复制地址即可访问。
⬆️ 关注 联犀，最及时最干货的 AI + IoT 分享
推荐一个 AIoT 物联网平台：免费商用，还能做自己的 SaaS
每月电费花在哪？这套智慧能源管理平台，3D数字孪生看能耗，AI查数据、辅助配置告警
别再一笔笔画了！WorkBuddy 几分钟搞定配电室组态：CAD 一次图、2D 和 3D
纯 Go 的 CAD 解析库 go-cad，开源啦,dwg/dxf格式直接解析
