docling，强大的文档解析转换工具，开源免费！

Docling是开源的一款多功能文档解析与转换工具，github的star数达到29.5k专门用于将各类文档转化为适合生成式AI使用的结构化格式 。它支持PDF、DOCX、PPTX、图片、HTML、Markdown等多种流行文档格式的导入，并能将这些格式导出为Markdown和JSON

github地址：https://github.com/docling-project/docling?tab=readme-ov-file

image-20250512205437812

特点

• 先进的PDF理解能力，包括页面布局分析、阅读顺序确定和表格结构识别
• 统一的DoclingDocument表示格式，提供富有表现力的文档数据结构
• 无缝集成LlamaIndex和LangChain，为RAG(检索增强生成)和QA(问答)应用提供强大支持
• 可选的OCR支持，能够处理扫描版PDF和图像中的文字

写作提示：可以以一个实际案例开头，比如"你是否曾花费数小时手动从PDF报告中提取表格数据？Docling的出现让这一过程缩短到几分钟…"

安装和使用

因为本人太菜，安装 过程可谓是大费周章，它本来是容易的

说明一下：如果你也是根据官网中的pip install docling进行安装，大致可能出现一些问题如下：

• pydantic版本问题(这个好像是我的环境污染导致的)
• click和typer版本问题

建议大家隔离环境进行安装，执行如下命令

# 创建一个隔离环境
conda create -n docling python=3.11
# 激活
conda activate docling
# 下载
pip install typer==0.9.0 click==8.1.7
pip install docling

按照上面的执行，应该就不会出现问题了，最后执行一下docling --help，如果不报错就没问题了。

image-20250512210333909

基础转换代码示例：

from docling.document_converter import DocumentConverter

source = "https://arxiv.org/pdf/2408.09869"  # 本地路径或URL
converter = DocumentConverter()
result = converter.convert(source)
print(result.document.export_to_markdown())

命令行界面操作：

# 单个文件转Markdown(默认)
docling myfile.pdf

# 转换为Markdown和JSON且不使用OCR
docling myfile.pdf --to json --to md --no-ocr

# 批量转换目录中的PDF文件
docling ./input/dir --from pdf --output ./scratch

image-20250512210821537

用后感受

它对多行代码块的识别不是那么智能，最起码我测试的是这样！可能他并不知道这个多行代码块是json还是java。对于别的我认为识别和转化是很优秀的，尤其是表格的识别