Docling：支持多种格式文档解析并导出为Markdown和JSON，PDF支持OCR

综合介绍

Docling 是一个强大的文档解析和导出工具，支持多种文档格式，包括 PDF、DOCX、PPTX、XLSX、图像、HTML、AsciiDoc 和 Markdown。它能够将这些文档解析并导出为 HTML、Markdown 和 JSON 格式，支持嵌入和引用图像。Docling 提供了高级的 PDF 文档理解功能，包括页面布局、阅读顺序和表格结构的解析。它还支持 OCR 技术，用于扫描 PDF 文档。Docling 易于集成，支持与 LlamaIndex 和 LangChain 的强大 RAG/QA 应用集成，提供简单方便的命令行界面（CLI）。

功能列表

• 解析多种文档格式（PDF、DOCX、PPTX、XLSX、图像、HTML、AsciiDoc、Markdown）
• 导出为 HTML、Markdown 和 JSON 格式
• 高级 PDF 文档理解（页面布局、阅读顺序、表格结构）
• 支持 OCR 技术，解析扫描 PDF
• 提供统一的 DoclingDocument 表示格式
• 易于与 LlamaIndex 和 LangChain 集成
• 简单方便的命令行界面（CLI）

使用帮助

安装流程

要使用 Docling，只需从包管理器安装 docling，例如使用 pip：

pip install docling

Docling 适用于 macOS、Linux 和 Windows 环境，支持 x86_64 和 arm64 架构。详细的安装说明可以在官方文档中找到。

使用指南

转换单个文档

要转换单个文档，可以使用 convert() 方法，例如：

from docling.document_converter import DocumentConverter
source = "path/to/document.pdf"  # 文档的本地路径或 URL
converter = DocumentConverter()
result = converter.convert(source)
print(result.document.export_to_markdown())  # 输出转换后的 Markdown 格式文档

高级用法

Docling 提供了丰富的高级用法选项，用户可以根据需要进行配置和扩展。详细的使用说明和示例可以在官方文档中找到。

功能操作流程

1. 文档解析：将文档导入 Docling，使用内置的解析器解析文档内容。
2. 格式转换：选择需要导出的格式（HTML、Markdown、JSON），使用相应的导出功能进行格式转换。
3. OCR 解析：对于扫描的 PDF 文档，启用 OCR 功能，提取文档中的文本内容。
4. 集成应用：将 Docling 与 LlamaIndex 或 LangChain 集成，构建强大的 RAG/QA 应用。
5. 命令行操作：使用 Docling 提供的 CLI 工具，快速执行文档解析和导出操作。

Docling 的文档解析和导出功能强大且易用，适合各种文档处理需求。用户可以通过详细的官方文档和示例，快速上手并充分利用 Docling 的全部功能。