Docling 多格式文档解析指南：PDF、Word、表格一步转成 AI 能读的结构-育师

Docling 多格式文档解析指南：PDF、Word、表格一步转成 AI 能读的结构

【免费下载链接】doclingGet your documents ready for gen AI项目地址: https://gitcode.com/GitHub_Trending/do/docling

周五下午五点半，老板甩来一份 40 页的招标 PDF，要求下班前把报价表整理出来。你双击打开，想直接复制表格，得到的却是一堆错位、断行的乱码。这时候你要的不是又一款 PDF 工具，而是Docling 多格式文档解析——一个能把 PDF、Word、Excel、HTML 统一转成 AI 能直接读懂的结构化数据的开源项目。

快速上手

安装只需一条命令，随后用命令行直接转换，生成的 Markdown 会落在当前目录：

pip install docling docling report.pdf

打开生成的report.md，你会发现章节标题、表格、阅读顺序都被规整地保留了下来。如果想在自己的代码里用，Python 接口同样简洁：

from docling.document_converter import DocumentConverter converter = DocumentConverter() result = converter.convert("report.pdf") print(result.document.export_to_markdown()) # 得到带结构的 Markdown

输入既可以是本地路径，也可以是 URL；同一套接口对 DOCX、HTML、XLSX 等格式都通用。完整步骤可参考 docs/getting_started/quickstart.md。

它是怎么工作的

Docling 的核心是一条“转换器 → 后端 → 流水线 → 统一文档”的链路：DocumentConverter根据文件格式挑一个对应的解析后端（PDF、DOCX、HTML 各有一套），再由流水线编排页面布局、OCR、表格识别等模型逐页处理，最后把所有结果装进一个统一的DoclingDocument对象里。这个对象把文本、表格、图片、公式都带上了位置坐标和语义标签，之后你无论是导出 Markdown、JSON、HTML，还是交给分块器做 RAG，都基于这一份表示，而不是每次重新解析原文。

核心能力详解

表格结构识别

解决什么问题：多数解析器只能把表格拍平成文字，行列关系全丢。怎么用：do_table_structure默认开启，底层用 TableFormer 模型，默认accurate模式优先保证质量。实际效果：合并单元格、跨行表头会被还原成带行列关系的表格，导出后可以直接粘进 Excel 或喂给模型。

公式与代码识别

解决什么问题：论文和技术文档里的数学公式、代码块，普通解析会丢成空白。怎么用：在 PDF 流水线选项里把do_formula_enrichment、do_code_enrichment打开，公式会被转成 LaTeX。实际效果：公式保留为可编辑的数学表达，代码块保留缩进与结构，适合处理学术和技术文档。

统一文档表示与多格式导出

解决什么问题：每种格式都要单独解析、导出格式各不相同，下游难复用。怎么用：所有输入都收敛成DoclingDocument，再按需export_to_markdown()、export_to_json()等。实际效果：一份表示、多种输出，JSON 还是无损的，方便做版本对比和二次加工。

选型对比

维度	Docling	pypdf / pdfplumber	Marker
学习成本	低，装完即用	低	中
功能覆盖	布局、表格、公式、OCR、VLM、音频	仅文本与基础表格	布局、表格、OCR
部署方式	本地 pip，可离线	本地 pip	本地 pip
适用	需要结构化结果的 AI 流水线	快速抽文本	论文/书籍转 Markdown

结论要客观：如果你只要从干净 PDF 里高速抽纯文本、对延迟敏感，用 pypdf 之类更轻量；Docling 的模型管线在这种场景属于“杀鸡用牛刀”。另外，严重模糊、手写体的扫描件，任何自动工具都只能帮你一程，仍需人工校对。

避坑实战

首次转换特别慢→ 首次运行会下载布局、OCR、表格模型 → 属正常现象，第二次起走缓存，可在服务器预跑一次预热。
报ImportError: libGL.so.1→ 无头环境缺 OpenGL，多为opencv-python冲突 → 改装opencv-python-headless，详见 docs/faq/index.md。
开 OCR 却识别不出字→ OCR 引擎未装（Tesseract/EasyOCR 需系统安装）→ 先装好对应引擎再开do_ocr。
老式.doc/.ppt处理失败→ 这类 97–2004 二进制格式依赖 LibreOffice 转换 → 装好 LibreOffice 再试。
中文文档 OCR 不准→ 语言没配对 → 在ocr_options里指定chi_sim+eng等语言。