docling-project/docling

Docling 是 IBM Research 开源的文档解析工具，可以理解为给大模型准备语料的「文档转结构化数据」流水线：把 PDF、DOCX、PPTX、XLSX、HTML、EPUB、邮件、图片、音视频等几十种格式统一解析成结构化表示，再导出为 Markdown、HTML 或无损 JSON。它的强项是复杂 PDF 理解——能还原页面版式、阅读顺序、表格结构、公式、代码，还能识别扫描件里的文字（OCR）、把柱状图饼图转成表格或代码，甚至理解化学分子式。解析结果可直接对接 LangChain、LlamaIndex、Crew AI 等框架，也支持本地运行，适合处理合同、专利、财报（XBRL）、学术论文（JATS）等敏感资料。值得看的是 RAG 应用开发者、数据工程和 AI 应用架构师：如果你的场景是把公司内部文档库喂给检索或 Agent，Docling 能省掉大量自己写解析器的功夫；只做模型训练或纯前端的读者关系不大。

Star 趋势

话题标签

仓库信息