Docling文档解析实践指南5分钟从PDF表格到RAG分块【免费下载链接】doclingGet your documents ready for gen AI项目地址: https://gitcode.com/GitHub_Trending/do/docling如果你正在搭建RAG检索增强生成应用或需要把一批PDF、Word、网页文档整理成干净的结构化数据开源文档解析工具Docling就是为这类工作准备的。它把30多种格式的输入文件统一解析成DoclingDocument结构Docling自定义的文档中间表示再按需导出Markdown、JSON、HTML或RAG分块。核心差异只有一个解析结果保留表格、公式、图片和阅读顺序而不是一坨扁平文本。这张图展示了多种格式输入 → Docling转换核心 → 多种格式输出的完整链路左侧是支持的输入类型右侧是导出选项和AI生态集成。它是什么Docling的定位是面向AI应用的文档预处理层。DocumentConverter文档转换器收到文件后按格式分发到对应的后端解析器中间的pipeline处理管道依次完成页面布局识别、阅读顺序判断、表格结构识别、公式与代码识别、OCR等步骤最终产出一个统一的DoclingDocument你在上面调用导出方法、序列化器或分块器即可。整条链路可以完全本地运行敏感文档不必离开你的机器。图中可见文档转换器、各格式后端解析器和pipeline三层结构虚线框是可按需替换的基类组件。5分钟跑起来安装和第一条转换命令CLI随pip包一起安装要求Python 3.10# 安装macOS/Linux/Windows均支持 pip install docling # 解析本地PDF当前目录生成 paper.md 结构化文件 docling paper.pdf运行后当前目录会出现一个.md文件标题、表格、公式都用Markdown语法表达可直接阅读或喂给下游程序。Python侧最短路径如下from docling.document_converter import DocumentConverter converter DocumentConverter() doc converter.convert(paper.pdf).document # 输出带标题层级的Markdown字符串 print(doc.export_to_markdown())首次运行会自动下载布局和表格模型稍慢属正常现象之后处理就是秒级。这张图展示DoclingDocument的层次化组织每个文本块都带有语义标签和位置信息左右两侧分别对应结构化表示和文档实际内容。核心能力拆解多格式统一解析→ PDF、DOCX、XLSX、PPTX、EPUB、HTML、CSV、邮件.eml/.msg等格式进同一个结构 → 适合文档来源混杂的团队 → 用法就是一条命令格式清单见支持格式文档# 只处理目录中的PDF和Word文件 docling ./docs/ --from pdf --from docxPDF版面与表格识别→ 布局模型判断阅读顺序表格结构模型Tableformer识别行列与合并单元格 → 适合有大量扫描/排版复杂PDF的用户 → 默认开启表格识别可切换识别引擎# 表格不准时换用视觉语言模型表格引擎 docling paper.pdf --table-structure-engine granite_vision_tableRAG就绪的输出→ 一条命令直接产出JSONL分块文件无需自己再切文本 → 适合接向量库的开发者 → 分块类型支持hybrid和hierarchical两种# 同时输出Markdown和RAG分块JSONL docling paper.pdf --to md --to chunks --chunks-type hybrid公式、代码与OCR增强→ 数学公式和代码块可被识别成可读内容扫描件可走OCR提取文字 → 适合学术论文和扫描件 → 通过PdfPipelineOptions开关控制from docling.datamodel.pipeline_options import PdfPipelineOptions # do_ocrTrue 处理扫描件do_formula_enrichmentTrue 识别公式 options PdfPipelineOptions(do_ocrTrue, do_formula_enrichmentTrue) converter DocumentConverter(pipeline_optionsoptions)与传统做法的差异关注点传统文本抽取Docling的解法表格单元格文字错位、行列关系丢失表格结构模型识别行列与合并单元格导出为Markdown表格公式LaTeX字符散落或整段丢失公式增强可识别数学内容do_formula_enrichment多栏版面按物理行顺序读左右栏交叉错乱布局模型判断阅读顺序并打语义标签产出通常只有一种文本格式支持md、json、html、doctags、chunks等10余种导出实战技巧与避坑首次下载模型慢或环境无外网先在有网机器上预下载模型再迁移可指定模型集# 预下载布局与表格模型离线环境常用 docling-tools models download layout tableformer扫描件没有文字层导出为空开启do_ocrTrue见上节代码OCR引擎和语言参数通过ocr_options指定具体引擎以CLI参考和官方文档为准。大文档表格识别太慢加--table-mode fast切快速模式若精度不够再换回默认accurate或换granite_vision_table引擎。快问快答表格识别不准怎么办保持默认--table-mode accurate并试--table-structure-engine granite_vision_table表格很大的文档可先用fast模式跑通流程。只想要JSON不要Markdowndocling paper.pdf --to json得到无损序列化的DoclingDocument。处理完想核对版面效果加--debug-visualize-tables会输出表格单元格可视化调试图。写在最后适合你电子版PDF、Office文档、网页的结构化解析以及RAG数据预处理。不适合手写体和严重模糊的扫描件——识别质量会明显下降建议人工复核兜底。入门材料看快速开始和支持格式列表即可。建议先拿一份手头最复杂的文档跑一次docling paper.pdf看看生成的.md里表格和公式保住了多少再决定要不要开OCR和公式增强。【免费下载链接】doclingGet your documents ready for gen AI项目地址: https://gitcode.com/GitHub_Trending/do/docling创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考