docling

Docling是由IBM Research推出的文档处理库，专为生成式AI应用准备数据。它支持广泛的文件格式解析，包括PDF、DOCX、PPTX、XLSX、HTML、EPUB、ODF、Apple Pages、LaTeX、纯文本、图像（PNG、TIFF、JPEG）、音频（WAV、MP3）、视频（MP4、AVI、MOV、MKV、WebM）、电子邮件（EML、MSG）以及XBRL财务报告等。 针对PDF文档，Docling具备高级页面布局、阅读顺序、表格结构、代码、公式及图像分类的理解能力。所有文档均被转换为统一的DoclingDocument格式，并可导出为Markdown、HTML、JSON、WebVTT、DocLang和DocTags。该库支持在隔离环境中本地执行，提供针对扫描文件的广泛OCR功能，并可选配GraniteDocling等视觉语言模型。音频转录使用自动语音识别（ASR），视频解析则生成字幕和关键帧。 项目包含简单的命令行界面（CLI）、API服务器和MCP服务器，并与LangChain、LlamaIndex、Crew AI和Haystack等主流AI框架实现原生集成。Docling采用MIT许可证，托管于LF AI & Data基金会。用户可通过pip安装（需Python 3.10+），官方README展示了仅需几行Python代码即可将PDF URL转换为Markdown的便捷用法。