【开源软件】Docling:PDF → Markdown / JSON / HTML

Docling 是 IBM 遵循 MIT 协议开源的文档解析工具，把复杂文档转换成 AI 更容易理解的结构化数据。它不是一个简单的 PDF 转换工具，而是一套专门面向 AI 的文档解析框架。

一、主要特性

• 🗂️ 支持解析多种文档格式，包括 PDF、DOCX、PPTX、XLSX, HTML、EPUB、WAV、MP3、WebVTT、邮件格式 (EML, MSG)、图像格式(PNG、TIFF、JPEG...)、LaTeX、DocLang、纯文本等
• 📑 高级的 PDF 理解能力，包括页面布局、阅读排序、标题层级、代码、公式、图像分类、页眉页脚等
• 🧬 统一富有表现力的 DoclingDocument 表现格式
• ↪️ 支持导出各种格式，包括 Markdown、HTML、WebVTT、DocLang、DocTags 和无损 JSON，特别适合 RAG。
• 📜 支持一些特定应用XML 模式，包括 DocLang、USPTO 专利、JATS 文章和 XBRL 金融报告
• 🔒为敏感数据和不方便上传云端的环境提供本地执行能力
• 🤖即插即用的生成式 AI 集成能力，包括 LangChain、LlamaIndex、Crew AI 和 Haystack
• 🔍 为扫描 PDFs 和图像提供 OCR 识别支持
• 👓 支持一些可视化语言模型(GraniteDocling)
• 🎙️ 支持自动语音识别（ASR） 模型的音频功能
• 🔌 支持用 MCP 服务连接任意智能体
• 💻 提供简单便捷的 CLI

二、快速使用

1.安装

pip install docling

注意：docling 2.70.0 版本已经不再支持 Python 3.9，请使用 Python 3.10 或更高版本。

可在 macOS、Linux 和 Windows 环境下运行。支持 x86_64 和 arm64 架构。

2.转换文档（CLI）

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

这会在当前目录生成一个 .md 文件，包含结构文档内容。你也可以通过 Docling CLI 使用🥚GraniteDocling 和其他 VLMs：

docling --pipeline vlm --vlm-model granite_docling https://arxiv.org/pdf/2206.01062

3.Python 使用（建议）

from docling.document_converter import DocumentConvertersource = "https://arxiv.org/pdf/2408.09869"document per local path or URLconverter = DocumentConverter()result = converter.convert(source)print(result.document.export_to_markdown())output: "## Docling Technical Report[...]"

三、面向用户

• AI 开发者：做 RAG、知识库、Agent。

• 科研人员：解析论文、提取公式、整理参考文献。

• 法律行业：解析合同、法院判决、法规文件。

• 金融行业：财报解析、公告抽取、结构化数据生成。

• 企业知识库：企业文档统一转换、支持 AI 检索。

更多内容请看：

https://github.com/docling-project/docling

https://docling.cn/docling/