特征
解析多种文档格式 ，包括 PDF、DOCX、PPTX、XLSX、HTML、WAV、MP3、图像（PNG、TIFF、JPEG 等）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、富有表现力的 DoclingDocument 表示格式;
各种导出格式和选项，包括 Markdown、HTML、 DocTags 和无损 JSON;
敏感数据和隔离环境的本地执行能力;
即插即用集成， 包括 LangChain、LlamaIndex、Crew AI 和用于代理 AI 的 Haystack;
对扫描的 PDF 和图像提供广泛的 OCR 支持;
支持多种可视化语言模型;
支持自动语音识别 (ASR) 模型的音频;
简单便捷的 CLI。
一、简单Demo入门
安装包
pip install docling
官方提供的demo代码，
from docling.document_converter import DocumentConverter# pdf文档地址，这里可以替换为本地的path路径source = "https://arxiv.org/pdf/2206.01062" # document per local path or URLconverter = DocumentConverter()result = converter.convert(source)print(result.document.export_to_markdown()) # output: "## Docling Technical Report[...]"
几行代码就可以将pdf文档转成markdown格式的文档，pdf里的表格也转换的很成功。
注意事项：
1、若未科学上网，代码执行可能会失败；因为代码运行时会自动下载docling运行所依赖的模型以及默认的easyocr的模型文件；下载的文件默认会放$HOME/.cache/docling/models 目录。
2、一般我们都会事先从huggface或modelscope下载好模型文件，下载如下文件，放同一个目录下。
二、pdf转markdown，图片本地存储
docling将pdf转markdown文件，指定本地模型文件，图片保存到本地。
import pathlibimport loggingimport timefrom docling.datamodel.base_models import InputFormatfrom docling.datamodel.pipeline_options import PdfPipelineOptions, EasyOcrOptionsfrom docling.document_converter import PdfFormatOption, DocumentConverter, ImageFormatOption, PowerpointFormatOption, \WordFormatOption, ExcelFormatOption, HTMLFormatOptionfrom docling_core.types.doc import ImageRefMode, PictureItem, TableItem# # 指定模型路径# easyocr_model_storage_directory = r"D:\muxue\models_file\easyocr" # 使用绝对路径# # 指定OCR模型# easyocr_options = EasyOcrOptions()# # 可以不设置，默认语言：["fr", "de", "es", "en"]# easyocr_options.lang = ['ch_sim', 'en'] # 中英文# easyocr_options.model_storage_directory = easyocr_model_storage_directoryartifacts_path = r"D:\muxue\models_file\docling_all" # 模型文件地址，使用绝对路径pipeline_options = PdfPipelineOptions(artifacts_path=artifacts_path)# 设置支持OCRpipeline_options.do_ocr = True# 设置支持表结构pipeline_options.do_table_structure = TrueIMAGE_RESOLUTION_SCALE = 2.0pipeline_options.images_scale = IMAGE_RESOLUTION_SCALE#pipeline_options.generate_page_images = True#生成图片，必须要改配置为Truepipeline_options.generate_picture_images = True# 指定OCR模型#pipeline_options.ocr_options = easyocr_optionsdoc_converter = DocumentConverter(format_options={InputFormat.PDF: PdfFormatOption(pipeline_options=pipeline_options),InputFormat.IMAGE: ImageFormatOption(pipeline_options=pipeline_options),InputFormat.PPTX: PowerpointFormatOption(pipeline_options=pipeline_options),InputFormat.DOCX: WordFormatOption(pipeline_options=pipeline_options),InputFormat.XLSX: ExcelFormatOption(pipeline_options=pipeline_options),InputFormat.HTML: HTMLFormatOption(pipeline_options=pipeline_options)})input_doc_path = r"D:\Test\test.pdf"start_time = time.time()conv_res = doc_converter.convert(input_doc_path)output_dir = pathlib.Path("scratch")output_dir.mkdir(parents=True, exist_ok=True)doc_filename = conv_res.input.file.stem# Save markdown with externally referenced picturesmd_filename = output_dir / f"{doc_filename}-with-image-refs.md"conv_res.document.save_as_markdown(md_filename, image_mode=ImageRefMode.REFERENCED)end_time = time.time() - start_timeprint(f"Time taken: {end_time} seconds")
easyocr是docling的默认选项，无需配置，当然也可以手动配置。其中有2个配置必须要设置，如下：
pipeline_options.generate_picture_imagesimage_mode=ImageRefMode.REFERENCED三、批量pdf转markdown
将多个pdf批量装成 markdown是常见操作。我们来实现一下吧。
import loggingimport timefrom collections.abc import Iterablefrom pathlib import Pathimport yamlfrom docling_core.types.doc import ImageRefModefrom docling.datamodel.base_models import ConversionStatus, InputFormatfrom docling.datamodel.document import ConversionResultfrom docling.datamodel.pipeline_options import PdfPipelineOptionsfrom docling.document_converter import DocumentConverter, PdfFormatOptiondef export2md(conv_results: Iterable[ConversionResult], output_dir: Path):output_dir.mkdir(parents=True, exist_ok=True)success_count = 0for conv_res in conv_results:if conv_res.status == ConversionStatus.SUCCESS:success_count += 1doc_filename = conv_res.input.file.stemconv_res.document.save_as_markdown(output_dir / f"{doc_filename}.md",image_mode=ImageRefMode.REFERENCED,)logging.info(f"Converted {doc_filename} to Markdown successfully.")def main():artifacts_path = r"D:\muxue\model_file\docling_all" # 模型文件使用绝对路径pipeline_options = PdfPipelineOptions(artifacts_path=artifacts_path)# 设置支持OCRpipeline_options.do_ocr = True# 设置支持表结构pipeline_options.do_table_structure = TrueIMAGE_RESOLUTION_SCALE = 2.0pipeline_options.images_scale = IMAGE_RESOLUTION_SCALE#pipeline_options.generate_page_images = True#生成图片，必须要改配置为Truepipeline_options.generate_picture_images = Truedoc_converter = DocumentConverter(format_options={InputFormat.PDF: PdfFormatOption(pipeline_options=pipeline_options)})data_folder = Path(r"D:\muxue\orginal_file")input_doc_paths = [data_folder / "test.pdf",data_folder / "2206.01062v1.pdf",]start_time = time.time()conv_results = doc_converter.convert_all(input_doc_paths,raises_on_error=False, # to let conversion run through all and examine results at the end)export2md(conv_results, Path("scratch"))end_time = time.time() - start_timeprint(f"Time taken: {end_time} seconds")if __name__ == '__main__':logging.basicConfig(level=logging.INFO)main()
可以指定多个pdf文件，保存成markdown\json或者其他格式。
四、PDF无损转Json
Docling 支持将文档以“无损”方式序列化（serialization）为 JSON，也能从 JSON 无损地反序列化（deserialization）回 DoclingDocument 模型；
与之相对的是 Markdown 或 HTML 等格式，这些格式被称为 有损（lossy）导出格式，因为它们无法保留所有可用的元信息。
import pathlibimport loggingimport timefrom docling.datamodel.base_models import InputFormatfrom docling.datamodel.pipeline_options import PdfPipelineOptions, EasyOcrOptionsfrom docling.document_converter import PdfFormatOption, DocumentConverter, ImageFormatOption, PowerpointFormatOption, \WordFormatOption, ExcelFormatOption, HTMLFormatOptionfrom docling_core.types.doc import ImageRefMode, PictureItem, TableItemartifacts_path = r"D:\muxue\model_file\docling_all" # 使用绝对路径pipeline_options = PdfPipelineOptions(artifacts_path=artifacts_path)# 设置支持OCRpipeline_options.do_ocr = True# 设置支持表结构pipeline_options.do_table_structure = TrueIMAGE_RESOLUTION_SCALE = 2.0pipeline_options.images_scale = IMAGE_RESOLUTION_SCALE#pipeline_options.generate_page_images = True#生成图片，必须要改配置为Truepipeline_options.generate_picture_images = True# 指定OCR模型#pipeline_options.ocr_options = easyocr_optionsdoc_converter = DocumentConverter(format_options={InputFormat.PDF: PdfFormatOption(pipeline_options=pipeline_options),InputFormat.IMAGE: ImageFormatOption(pipeline_options=pipeline_options),InputFormat.PPTX: PowerpointFormatOption(pipeline_options=pipeline_options),InputFormat.DOCX: WordFormatOption(pipeline_options=pipeline_options),InputFormat.XLSX: ExcelFormatOption(pipeline_options=pipeline_options),InputFormat.HTML: HTMLFormatOption(pipeline_options=pipeline_options)})input_doc_path = r"D:\muxue\test.pdf"start_time = time.time()conv_res = doc_converter.convert(input_doc_path)output_dir = pathlib.Path("scratch")output_dir.mkdir(parents=True, exist_ok=True)doc_filename = conv_res.input.file.stem# Save markdown with externally referenced picturesmd_filename = output_dir / f"{doc_filename}.json"conv_res.document.save_as_json(md_filename, image_mode=ImageRefMode.REFERENCED)end_time = time.time() - start_timeprint(f"Time taken: {end_time} seconds")
“无损 JSON” 在 Docling 中意味着：将文档的内在数据结构与详细元信息完整转到 JSON，并保证可以从 JSON 完整还原为同一个文档模型。
而 Markdown/HTML 导出是“有损” 的，因为这些格式省略了很多底层结构与元数据，只是适合人类阅读和简单内容展示。
五、Docling与AI生态集成
Docling 与众多领先框架和工具的集成，比如LangChain、LlamaIndex和Crew AI等。
1、与LlamaIndex集成
在LlamaIndex中，可以直接使用Docling作为阅读器，和DoclingNodeParser 可将DoclingReader 生成的 JSON/MarkDown 格式文档解析为 LlamaIndex 的节点。
from llama_index.readers.docling import DoclingReaderfrom llama_index.node_parser.docling import DoclingNodeParserfrom llama_index.core import VectorStoreIndexreader = DoclingReader(export_type=DoclingReader.ExportType.JSON)node_parser = DoclingNodeParser()documents = reader.load_data("your_file.pdf")index = VectorStoreIndex.from_documents( documents=documents, transformations=[node_parser], embed_model=EMBED_MODEL,)2、与LangChain集成
Docling 将 PDF、DOCX、PPTX、HTML 和其他格式解析为丰富的统一表示，包括文档布局、表格等，使其为 RAG 等生成 AI 工作流程做好准备。此集成通过 DoclingLoader 文档加载器提供 Docling 的功能。
langchain-docling 中的 DoclingLoader 类将 Docling 无缝集成到 LangChain。
pip install langchain-docling
from langchain_docling import DoclingLoaderFILE_PATH = ["https://arxiv.org/pdf/2408.09869"] # Docling Technical Reportloader = DoclingLoader(file_path=FILE_PATH)docs = loader.load()
