docling-project/docling

TL;DR

Docling 是 IBM Research Zurich 开源的高性能文档解析库，旨在将 PDF、Office 等复杂格式统一转换为结构化数据（如 Markdown/JSON），专为 GenAI RAG 场景优化。其核心优势在于对版面分析、表格重建及多模态（图表/公式）的深度理解，且支持本地化部署。

它解决什么问题

RAG 系统最大的痛点在于非结构化文档（尤其是 PDF）的解析质量。传统 OCR 或简单文本提取工具往往丢失层级、表格结构和阅读顺序，导致 LLM 检索效果差。Docling 的出现正是为了解决“文档到 AI 可用数据”的最后一公里问题，特别是针对包含复杂排版、科学公式和图表的专业文档（如专利、财报），提供比通用 OCR 更精准的语义重建。

核心做法

Docling 采用模块化 Pipeline 架构，支持两种主要解析后端： 1. 传统视觉模型：基于规则与轻量级 ML 模型进行版面分析（Layout）、阅读顺序排序和表格结构识别。 2. 视觉语言模型 (VLM)：可选接入 GraniteDocling 等 VLM，直接通过多模态理解处理复杂图表、公式和模糊文本。

其核心创新在于 DoclingDocument 这一中间表示格式（IR），它不仅保留文本内容，还显式编码了层级关系、表格坐标和图像描述。输出端支持 Markdown, HTML, JSON 及特定领域 XML（如 USPTO, JATS），便于下游 Agent 直接消费。

作者

codebase由 IBM Research Zurich (苏黎世)的 AI for Knowledge 团队发起，隶属于 Deep Search Team。该项目已加入 LF AI & Data Foundation，具有明确的学术与工业界双重背景。README 未提及具体个人作者名单，但技术报告（arXiv:2408.09869）由该团队集体署名。

社区反应

codebase 增长极快，Star 数已突破 67k，Fork 近 5k，属于 GitHub Trending 级别的热门项目。Open Issues 高达 935，这既反映了活跃的用户基数和快速迭代带来的 Bug/Feature 请求量也暗示了当前版本（MVP向稳定过渡期）的维护压力较大。Python 生态友好，且通过 MCP Server、LangChain/LlamaIndex 等集成迅速嵌入主流 Agent 工作流。

怎么上手

依赖：Python >=3.10 (已放弃 3.9)，推荐通过 pip install docling 安装。
硬件：CPU 即可运行基础解析；若启用 VLM (GraniteDocling) 或处理高分辨率扫描件，建议配备 GPU。
最小复现： ```bash # CLI 快速测试 docling https://arxiv.org/pdf/2408.09869

# Python API (推荐) from docling.document_converter import DocumentConverter converter = DocumentConverter() result = converter.convert("path/to/doc.pdf") print(result.document.export_to_markdown()) ```

争议与局限

资源消耗：启用 VLM 后端进行深度理解时，推理延迟和显存占用显著高于传统 OCR。README 未提及具体的量化基准对比（推断：VLM 模式适合高精度场景，传统模式适合高吞吐）。
格式覆盖：虽然支持 PDF/Office 等主流格式，但对于极度定制化的扫描版历史文献或手写体，效果依赖具体 VLM 能力。README 未提及对加密 PDF 的自动解密支持。
稳定性：鉴于 Issues 数量庞大，生产环境使用前需仔细评估版本兼容性，特别是涉及自定义配置时。