Docling：一键式文档解析与AI集成工具

Docling 是一个开源项目，旨在帮助用户将文档解析并导出到所需的格式，以便于与生成式人工智能（gen AI）集成。以下是对该项目的详细介绍：

项目概述

• 名称：Docling
• GitHub 链接：https://github.com/DS4SD/docling
• 开发者：由 IBM 提供支持

功能特点

• 支持文档格式：Docling 能够读取多种流行的文档格式，包括 PDF、DOCX、PPTX、XLSX、图片、HTML、AsciiDoc 和 Markdown，并支持导出为 HTML、Markdown 和 JSON 格式（包括嵌入和引用的图片）。
• PDF 文档理解：提供高级的 PDF 文档理解功能，包括页面布局、阅读顺序和表格结构。
• 统一文档表示：DoclingDocument 提供统一且富有表现力的文档表示格式。
• 集成支持：易于与 LlamaIndex 和 LangChain 集成，为 RAG（Retrieval-Augmented Generation）/QA（Question Answering）应用提供强大支持。
• OCR 支持：支持对扫描的 PDF 文档进行光学字符识别（OCR）。
• 命令行界面：提供简单方便的命令行界面（CLI）。

即将推出

• 公式和代码提取：即将支持提取文档中的公式和代码。
• 元数据提取：包括标题、作者、参考文献和语言在内的元数据提取功能。
• LangChain 扩展：原生支持 LangChain 的扩展。

安装指南

• 安装方法：通过包管理器（如 pip）安装 docling。
• 支持平台：支持 macOS、Linux 和 Windows 环境，包括 x86_64 和 arm64 架构。
• 详细安装指南：文档中提供了更详细的安装说明。

快速开始

• 文档转换：使用 convert() 函数可以转换单个文档。

• 示例代码：

  from docling.document_converter import DocumentConverter
  
  source = "https://arxiv.org/pdf/2408.09869"  # 可以通过本地路径或 URL 指定文档
  converter = DocumentConverter()
  result = converter.convert(source)
  print(result.document.export_to_markdown())  # 输出："## Docling Technical Report[...]"
  

• 高级使用选项：文档中提供了更多高级使用选项。

文档和示例

https://github.com/DS4SD/docling/tree/main/docs/examples