docling-project/docling

来源：https://github.com/docling-project/docling

Docling

arXiv (https://arxiv.org/abs/2408.09869)
文档 (https://docling-project.github.io/docling/)
PyPI版本 (https://pypi.org/project/docling/)
PyPI - Python版本 (https://pypi.org/project/docling/)
uv (https://github.com/astral-sh/uv)
Ruff (https://github.com/astral-sh/ruff)
Pydantic v2 (https://pydantic.dev)
prek (https://pypi.org/project/prek/)
许可证 MIT (https://opensource.org/licenses/MIT)
PyPI下载量 (https://pepy.tech/projects/docling)
Docling Actor (https://apify.com/vancura/docling)
与Dosu聊天 (https://app.dosu.dev/097760a8-135e-4789-8234-90c8837d7f1c/ask?utm_source=github)
Discord (https://docling.ai/discord)
OpenSSF最佳实践 (https://www.bestpractices.dev/projects/10101)
LF AI & Data (https://lfaidata.foundation/projects/)

什么是Docling？

Docling通过解析多种格式（包括高级PDF理解）简化文档处理，并与生成式AI生态系统提供无缝集成。

功能特性

• 🗂️ 解析多种文档格式，包括PDF、DOCX、PPTX、XLSX、HTML、EPUB、Apple Pages、WAV、MP3、WebVTT、Box Notes、电子邮件格式（EML、MSG）、图像（PNG、TIFF、JPEG等）、LaTeX、DocLang、纯文本等。
• 📑 高级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表示格式。
• ↪️ 多种导出格式和选项，包括Markdown、HTML、WebVTT、DocLang、DocTags (https://arxiv.org/abs/2503.11576) 和无损JSON。
• 📜 支持多种特定于应用的XML模式，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。
• 🔒 适用于敏感数据和隔离环境的本地执行能力。
• 🤖 即插即用的集成，包括LangChain、LlamaIndex、Crew AI和Haystack，用于智能体AI。
• 🔍 广泛的OCR支持，适用于扫描PDF和图像。
• 👓 支持多种视觉语言模型，例如(GraniteDocling (https://huggingface.co/ibm-granite/granite-docling-258M))。
• 🎙️ 通过自动语音识别（ASR）模型提供音频支持。
• 🔌 通过MCP服务器 (https://docling-project.github.io/docling/usage/mcp/) 连接到任何智能体。
• 🌐 使用API服务器 (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。

新增功能

• 🎬 解析视频文件（MP4、AVI、MOV、MKV和WebM），并提供ASR转录和代表性关键帧。
• 📄 解析ODF（开放文档格式）文件，包括文本文档（.odt）、电子表格（.ods）和演示文稿（.odp）。
• 💼 解析XBRL（可扩展商业报告语言）文档，用于财务报告。
• 📧 解析电子邮件文件（.eml、.msg）。
• 📚 解析EPUB（电子出版物）文件，用于电子书。
• 🍎 解析Apple Pages（.pages）文档，支持两种容器代（Pages 5+ 和 iWork ’09）。
• 📝 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）：将它们转换为表格或代码，并添加详细描述。

即将推出

• 📝 元数据提取，包括标题、作者、参考文献和语言。
• 📝 复杂化学理解（分子结构）。

快速开始

1. 安装

pip install docling

注意： docling版本2.70.0已停止支持Python 3.9。请使用Python 3.10或更高版本。 支持macOS、Linux和Windows环境，适用于x86_64和arm64架构。 更多详细的安装说明 (https://docling-project.github.io/docling/getting_started/installation/) 可在文档中找到。

2. 转换文档（CLI）

docling https://arxiv.org/pdf/2206.01062

这将在当前目录生成一个.md文件，其中包含结构化的文档内容。 您也可以通过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"  # 通过本地路径或URL提供文档

converter = DocumentConverter()
result = converter.convert(source)
print(result.document.export_to_markdown())  # 输出: "## Docling Technical Report[...]"

更多高级用法 (https://docling-project.github.io/docling/usage/) 和配置 (https://docling-project.github.io/docling/getting_started/installation/) 选项。

文档

查看Docling的文档 (https://docling-project.github.io/docling/)，了解安装、用法、概念、示例、扩展等的详细信息。

示例

亲身体验我们的示例 (https://docling-project.github.io/docling/examples/)，展示如何使用Docling应对不同的应用用例。

集成

为加速您的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/)。

获取帮助和支持

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内部工作的更多详细信息，请查看Docling技术报告 (https://arxiv.org/abs/2408.09869)。

贡献

请阅读《为Docling贡献》 (https://github.com/docling-project/docling/blob/main/CONTRIBUTING.md) 了解详情。

参考文献

如果您在项目中使用了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代码库采用MIT许可证。关于单个模型的使用，请参考原始包中的模型许可证。

LF AI & Data

Docling是LF AI & Data基金会 (https://lfaidata.foundation/projects/) 中的一个托管项目。

IBM ❤️ 开源AI

该项目由IBM Research Zurich的知识AI团队发起。