docling-project/docling

# Docling

[](https://arxiv.org/abs/2408.09869) [](https://docling-project.github.io/docling/) [](https://pypi.org/project/docling/) [](https://pypi.org/project/docling/) [](https://github.com/astral-sh/uv) [](https://github.com/astral-sh/ruff) [](https://pydantic.dev) [](https://pypi.org/project/prek/) [](https://opensource.org/licenses/MIT) [](https://pepy.tech/projects/docling) [](https://apify.com/vancura/docling) [](https://app.dosu.dev/097760a8-135e-4789-8234-90c8837d7f1c/ask?utm_source=github) [](https://docling.ai/discord) [](https://www.bestpractices.dev/projects/10101) [](https://lfaidata.foundation/projects/) ## 什么是 Docling ？ Docling 通过解析多种格式（包括深度的 PDF 理解）并提供与生成式 AI 生态系统的无缝集成，简化了文档处理流程。 ## 功能 - 🗂️ 解析[多种文档格式][supported_formats]，包括 PDF、DOCX、PPTX、XLSX、HTML、EPUB、WAV、MP3、WebVTT、Box Notes、邮件格式（EML、MSG）、图像（PNG、TIFF、JPEG 等）、LaTeX、DocLang、纯文本等 - 📑 深度的 PDF 理解，包括页面布局、阅读顺序、表格结构、代码、公式、图像分类等 - 🧬 统一且富有表现力的 [DoclingDocument][docling_document] 表示格式 - ↪️ 各种[导出格式][supported_formats]和选项，包括 Markdown、HTML、WebVTT、DocLang、[DocTags](https://arxiv.org/abs/2503.11576) 和无损 JSON - 📜 支持多种特定应用的 XML schema，包括 [DocLang](https://doclang.ai)、[USPTO](https://www.uspto.gov/patents) 专利、[JATS](https://jats.nlm.nih.gov/) 文章和 [XBRL](https://www.xbrl.org/) 财务报告。 - 🔒 支持本地执行，适用于敏感数据和气隙隔离环境（air-gapped） - 🤖 开箱即用的[集成][integrations]，包括用于 Agentic AI 的 LangChain、LlamaIndex、Crew AI 和 Haystack - 🔍 对扫描版 PDF 和图像提供广泛的 OCR 支持 - 👓 支持多种视觉语言模型（VLM），例如 ([GraniteDocling](https://huggingface.co/ibm-granite/granite-docling-258M)) - 🎙️ 结合自动语音识别（ASR）模型的音频支持 - 🔌 使用 [MCP server](https://docling-project.github.io/docling/usage/mcp/) 连接到任何 agent - 🌐 通过 [API server](https://docling-project.github.io/docling/usage/api_server/) (docling-serve) 将 Docling 作为服务运行 - 💻 简单便捷的 CLI ### 最新动态 - 📄 解析 ODF (OpenDocument Format) 文件，支持文本文档 (`.odt`)、电子表格 (`.ods`) 和演示文稿 (`.odp`) - 💼 解析用于财务报告的 XBRL (eXtensible Business Reporting Language) 文档 - 📧 解析邮件文件 (`.eml`, `.msg`) - 📚 解析用于电子书的 EPUB (Electronic Publication) 文件 - 📝 解析纯文本文件 (`.txt`, `.text`) 和 Markdown 超集 (`.qmd`, `.Rmd`) - 📊 图表理解（柱状图、饼图、折线图）：将其转换为表格或代码，并添加详细描述 ### 即将推出 - 📝 元数据提取，包括标题、作者、引用和语言 - 📝 复杂的化学结构理解（分子结构） ## 快速开始 ### 1. 安装 ``` pip install docling ``` 适用于 macOS、Linux 和 Windows 环境，支持 x86_64 和 arm64 架构。 文档中提供了更详细的[安装说明](https://docling-project.github.io/docling/getting_started/installation/)。 ## 2. 转换文档 (CLI) ``` docling https://arxiv.org/pdf/2206.01062 ``` 这会在当前目录下生成一个 .md 文件，其中包含结构化的文档内容。 你也可以通过 Docling CLI 使用 🥚[GraniteDocling](https://huggingface.co/ibm-granite/granite-docling-258M) 和其他 VLM： ``` docling --pipeline vlm --vlm-model granite_docling https://arxiv.org/pdf/2206.01062 ``` ## 3. Python 用法（推荐） ``` from docling.document_converter import DocumentConverter source = "https://arxiv.org/pdf/2408.09869" # a document via a local path or URL converter = DocumentConverter() result = converter.convert(source) print(result.document.export_to_markdown()) # output: "## Docling Technical Report[...]" ``` 更高级的[用法](https://docling-project.github.io/docling/usage/)和[配置](https://docling-project.github.io/docling/getting_started/installation/)选项。 ## 文档 请查看 Docling 的[文档](https://docling-project.github.io/docling/)，了解有关 安装、用法、概念、方案、扩展等详细信息。 ## 示例 请通过我们的[示例](https://docling-project.github.io/docling/examples/)进行实践操作， 演示如何使用 Docling 解决不同的应用用例。 ## 集成 为了进一步加速你的 AI 应用开发，请查看 Docling 与流行框架 和工具的原生[集成](https://docling-project.github.io/docling/integrations/)。 ## 获取帮助与支持 请随时通过[讨论区](https://github.com/docling-project/docling/discussions)与我们联系。 ## 技术报告 有关 Docling 内部工作原理的更多详细信息，请查看 [Docling 技术报告](https://arxiv.org/abs/2408.09869)。 ## 参考文献 如果你在你的项目中使用了 Docling，请考虑引用以下内容： ``` @techreport{Docling, author = {Deep Search Team}, month = {8}, title = {Docling Technical Report}, url = {https://arxiv.org/abs/2408.09869}, eprint = {2408.09869}, doi = {10.48550/arXiv.2408.09869}, version = {1.0.0}, year = {2024} } ``` ## 许可证 Docling 代码库使用 MIT 许可证。 对于单个模型的使用，请参阅原始包中的模型许可证。 ## LF AI & Data Docling 是托管在 [LF AI & Data Foundation](https://lfaidata.foundation/projects/) 中的一个项目。 ### IBM ❤️ 开源 AI 该项目由 IBM 苏黎世研究院的 AI for knowledge 团队发起。

标签：OCR, Python, 人工智能, 数据解析, 文档处理, 文档结构分析, 无后门, 用户模式Hook绕过, 逆向工具