docling

Docling是一个由IBM推出的开源项目，旨在提高文档解析的效率和准确性。它可以轻松快速地解析各类文档，并将其导出为所需的格式。

功能特色

Docling支持多种常用文档格式的读取和转换，包括PDF、DOCX、PPTX、图像、HTML、AsciiDoc和Markdown等。用户可将这些格式的文档导出为Markdown和JSON文件，并进行更为复杂的文档分析和处理。

Docling的PDF文档处理能力尤为强大，能够理解页面布局、读取顺序和表格结构。此外，该工具还提供OCR支持，方便处理扫描版本的PDF文件。

值得一提的是，Docling采用了统一且富有表现力的DoclingDocument格式，这使其能够与LlamaIndex和LangChain等强大的RAG/QA（信息检索/问答）应用程序轻松集成。用户也可以通过简单的命令行接口（CLI）来实现文档的解析与导出。

未来计划

开发团队计划在未来推出多项新功能，例如公式和代码提取、元数据提取（包括标题、作者、参考文献和语言信息）以及原生的LangChain扩展支持。

安装指南

使用Docling十分简单，只需要通过包管理工具（如pip）安装即可：

pip install docling

Docling兼容macOS、Linux和Windows环境，并支持x86_64和arm64架构。更多详细的安装指南可在官方网站的文档中找到。

入门指南

使用Docling进行文档转换也很简单，例如可以使用convert()函数来转换文档：

from docling.document_converter import DocumentConverter

source = "https://arxiv.org/pdf/2408.09869"  # 文档的本地路径或URL
converter = DocumentConverter()
result = converter.convert(source)
print(result.document.export_to_markdown())  # 输出结果为Markdown格式

访问入门指南可以获取更多关于功能调优和高级能力利用的示例。

支持与帮助

用户如有任何问题，可以通过讨论区与开发团队联系。

技术报告和贡献

关于Docling的详细技术信息，可参考其技术报告。若感兴趣加入贡献行列，请查阅贡献指南。

版权信息

Docling在MIT许可证下发布，具体的模型使用许可证请查阅原始包中的说明。

Docling是IBM对开源AI社区的心意表达，旨在助力更多开发者便捷地进行文档解析和数据处理。