docling

Docling 文档解析与转换

补充说明

Docling 是 IBM 开源的文档解析工具，把 PDF、DOCX、PPTX、HTML 等转换为结构化 Markdown/JSON，保留标题、表格、阅读顺序和版面信息。适合 RAG 的文档预处理。

它支持本地模型和 OCR，能处理扫描件和多栏排版，常与 LangChain/LlamaIndex 配合。

常用示例

安装：

pip install docling

转换 PDF：

docling manual.pdf --output ./out --to markdown

转换并导出 JSON：

docling manual.pdf --output ./out --to json

Python API：

from docling.document_converter import DocumentConverter

converter = DocumentConverter()
result = converter.convert("manual.pdf")
print(result.document.export_to_markdown())

批量转换：

for f in docs/*.pdf; do
  docling "$f" --output ./out --to markdown
done

易错点与排错

• 扫描件没有启用 OCR，输出只有图片或空文本。
• 复杂表格和多栏排版解析错乱，需要人工校验。
• 首次运行下载模型较慢，内网要提前准备缓存。
• PDF 加密或损坏，解析直接失败。
• 大文件占用内存和 CPU，分批处理。
• 输出 Markdown 的图片链接指向本地路径，RAG 前要处理。
• 语言模型与文档语言不匹配，OCR 准确率下降。
• 版本升级后输出结构变化，下游分块逻辑要适配。