docling：面向生成式 AI 的文档解析工具

docling 由 IBM Research Zurich 的 AI for Knowledge 团队发起，现归属于 LF AI & Data 基金会，是“把文档准备成生成式 AI 可用的格式”的 Python 工具（GitHub 约 65.9k Star）。它擅长把各类文档解析成结构统一、信息保真的表示，并轻松接入 RAG 与问答链路。

核心能力

• 多格式解析：PDF（含版面、阅读顺序、表格结构、代码、公式、图片分类等深度理解）、DOCX、PPTX、XLSX、HTML、Markdown 系列、ODF、EPUB、LaTeX、纯文本，以及邮件（EML/MSG）、图片（PNG/JPEG/TIFF）、音频（WAV/MP3，ASR 转写）与视频（MP4/AVI/MOV 等）。
• 统一文档对象 DoclingDocument：用一套表达力强的结构表示文档，便于下游消费。
• 多种导出格式：Markdown、HTML、WebVTT、DocLang、DocTags，以及无损 JSON。
• OCR 与高级模型：扫描件/图片支持多种 OCR 引擎；可接入视觉语言模型（如 GraniteDocling）做图表、公式理解。
• 本地运行：支持敏感数据与离线/空气隔离环境，数据不出本机。
• 生态集成：内置 LangChain、LlamaIndex、Crew AI、Haystack 集成；提供 MCP server 与 docling-serve API 服务，可作为任意 Agent 的文档摄入组件；同时有 CLI 与 Python API。

适用场景

• 构建 RAG / 知识库时，把企业 PDF、Office 文档批量化成结构化 Markdown 或 JSON。
• 需要保留表格、阅读顺序、版面等结构的长文档抽取。
• 对隐私敏感、要求完全本地离线处理文档的场景。

上手与二开建议

1. pip install docling（需 Python 3.10+），用 DocumentConverter 一行代码即可转换。
2. 接 RAG：直接对接 LlamaIndex / LangChain 文档加载器，无需自己写解析。
3. 二开：以 DoclingDocument 为中间表示做定制抽取或后处理；复杂场景可起 docling-serve 做服务化。

注意事项

• 个别模型（如 VLM）受各自原始协议约束，仅代码本体为 MIT。
• 复杂版式或扫描件依赖 OCR 质量，超长文档需注意内存与耗时。
• 上手难度低，优先从 PDF/Markdown 小样本验证输出结构，再扩展到批量。