Docling：面向生成式 AI 的多格式文档解析工具

用途与定位

Docling 是一个文档处理工具，目标是简化多格式文档的解析，并对 PDF 提供较深入的理解能力，同时与生成式 AI 生态集成。项目由 IBM Research Zurich 的知识 AI 团队发起，现托管于 LF AI & Data 基金会，代码采用 MIT 许可。

主要能力

• 支持多种输入格式：PDF、DOCX、PPTX、XLSX、HTML、EPUB、Apple Pages/Numbers/Keynote、WAV、MP3、WebVTT、EML、MSG、常见图片格式、LaTeX、纯文本等。
• PDF 解析包含页面布局、阅读顺序、表格结构、代码、公式、图像分类等。
• 采用统一的 DoclingDocument 表示，可导出 Markdown、HTML、WebVTT、DocLang、DocTags 及无损 JSON。
• 支持扫描件与图片的 OCR，支持部分视觉语言模型（如 GraniteDocling），并可用 ASR 模型处理音频。
• 可本地运行，适合敏感数据与隔离环境；提供 CLI、Python API、MCP 服务器与 API 服务（docling-serve）等接入方式。

近期新增

来源列出视频文件（MP4、AVI、MOV、MKV、WebM，含 ASR 转写与关键帧）、ODF 系列（.odt/.ods/.odp）、XBRL 财报、邮件（.eml/.msg）、EPUB、Apple Pages/Numbers/Keynote、纯文本与 Markdown 超集（.qmd/.Rmd）解析，以及图表理解（柱状图、饼图、折线图转表格或代码并生成描述）。

限制与待核实

来源提到 Python 3.9 支持在 2.70.0 版本中移除，需 3.10 及以上；元数据抽取与复杂化学结构理解标注为“即将推出”，尚未提供。本文未对安装与解析效果做实际验证，具体支持范围与行为请以官方文档为准。