Docling：全能文档解析神器，支持PDF、DOCX、PPT等格式转Markdown

一、项目简介

Docling（github.com/docling-project/docling）是一款强大的开源文档解析工具，能够将PDF、DOCX、PPTX、XLSX、HTML、图片、LaTeX等多种格式的文档统一转换为Markdown、HTML或JSON格式。GitHub星标数已超过57000颗，是文档处理领域最受欢迎的开源项目之一。

Docling最大的亮点是支持高级PDF理解——能够识别表格结构、提取公式、理解阅读顺序、处理扫描件OCR等，让AI能够真正「读懂」复杂文档内容。

二、特色功能

• 多格式支持：PDF、DOCX、PPTX、XLSX、HTML、PNG/TIFF/JPEG图片、LaTeX、WAV/MP3音频、WebVTT字幕等
• 高级PDF解析：自动识别页面布局、阅读顺序、表格结构、代码块、公式
• 图表理解：能理解柱状图、饼图、折线图并转换为文字描述
• OCR识别：内置OCR支持，可处理扫描的PDF文档
• 多格式导出：Markdown、HTML、WebVTT、DocTags JSON等多种输出格式
• 行业标准支持：支持USPTO专利、JATS学术文章、XBRL财务报告等专用格式
• 本地运行：支持离线/内网环境，不依赖云服务
• MCP服务器：提供MCP协议接口，可集成到AI Agent中使用
• 主流框架集成：支持LangChain、LlamaIndex、CrewAI、Haystack等

三、安装步骤

使用pip安装

pip install docling

使用uv安装（推荐）

uv pip install docling

验证安装

python -c "import docling; print(docling.__version__)"

额外依赖安装

如果需要OCR功能，还需要安装：

uv pip install docling[ocr]

四、使用方法

Python API使用

from docling.document_converter import DocumentConverter

converter = DocumentConverter()

# 转换PDF文档
result = converter.convert("path/to/document.pdf")

# 输出为Markdown
print(result.markdown)

# 保存为文件
with open("output.md", "w", encoding="utf-8") as f:
    f.write(result.markdown)

命令行使用

# 转换单个文件
docling document.pdf

# 批量转换
docling document1.pdf document2.docx

# 指定输出格式
docling --format html document.pdf

表格提取

from docling.document_converter import DocumentConverter

converter = DocumentConverter()
result = converter.convert("table.pdf")

# 获取所有表格
for table in result.tables:
    print(table.export_to_dataframe())  # pandas DataFrame

MCP服务器使用

# 启动Docling MCP服务器
docling mcp-server

# 然后在AI Agent中配置使用

五、适用场景

• RAG知识库构建：将大量历史文档转换为可检索的文本格式
• 合同分析：批量提取合同中的关键条款和数字
• 学术论文处理：将PDF论文转换为Markdown便于AI阅读理解
• 数据录入自动化：从图片或PDF中提取表格数据
• 企业文档数字化：将扫描件PDF转换为可搜索文本
• AI训练数据准备：为LLM微调准备高质量文本语料

六、开源协议

Docling采用MIT开源协议，完全免费可商用。

服务支持：如有兴趣不会搭建，可以联系微信：WRYD6166，开源项目搭建10-50元。