Docling

01项目介绍

Docling 是 IBM 研究团队开源（现由 docling-project 组织维护）的文档处理工具，目标是「把你的文档准备好给生成式 AI」。它支持极宽的输入格式：PDF、DOCX、PPTX、XLSX、HTML、EPUB、Apple Pages/Numbers/Keynote、LaTeX、纯文本、图片（PNG/TIFF/JPEG），还扩展到音频（WAV、MP3）与 WebVTT 字幕、邮件（EML/MSG）、日历（ICS）、视频（MP4/AVI/MOV/MKV/WebM，带 ASR 转录与关键帧），甚至 XBRL 财务报告与 ODF 文档。核心能力是对 PDF 的深度理解：页面版面、阅读顺序、表格结构、代码块、公式、图片分类，以及柱状图/饼图/折线图转成表格或代码。输出方面提供统一的 DoclingDocument 表示，可导出 Markdown、HTML、WebVTT、DocTags 与无损 JSON，并有多种导出选项。可用性上支持本地执行（适合敏感数据与离线内网环境）、CLI 一条命令转换、作为服务运行（docling-serve），并能以 MCP 方式接入任意 agent，还与 LangChain、LlamaIndex、Crew AI、Haystack 等框架即插即用。对传统企业，它的定位是「数据入口」：把散落在扫描件、报表、邮件里的信息变成后面 RAG 与问答能吃的结构化文本。

02主要应用领域

适合作为企业知识库建设的第一道工序：历史纸质档案数字化、扫描合同与发票提取、复杂版面报表转结构化、设备手册与标准文件转 Markdown；也适合把邮件、会议录音、培训视频统一转成可检索文本。

03关键技术

Python 实现，提供 CLI（docling <url> 直接输出 Markdown）、Python API、以及作为服务运行的 docling-serve；核心是版面分析 + 阅读顺序 + 表格结构识别的 PDF 理解管线，输出统一 DoclingDocument，再导出 Markdown/HTML/DocTags/JSON；支持接入 LangChain、LlamaIndex、Crew AI、Haystack，并可通过 MCP 接任意 agent；本地执行适配敏感数据与离线环境。约 7.02 万 star、5.3k fork。本次仅读 README，未实际解析任何文档。

04实用价值

它的价值在于把「文档预处理」这个最脏最累的环节标准化：统一格式、统一结构、统一导出，让下游 RAG 与问答系统的输入质量可控，避免企业把预算全耗在数据清洗上。

05局限

只读文档未跑解析表格还原准确率、扫描件 OCR 质量、中文版面效果均未验证；模型侧（如 GraniteDocling）另有各自许可；复杂版面与手写体仍可能需要人工校对。

06开源协议

MIT

仓库代码为 MIT可商用、可修改、可分发，需保留版权与许可声明，无 copyleft 传染，适合企业内部部署与私有化交付。需注意两点：一是仓库明确写明「单个模型的许可请参见其原始包」，即 Docling 代码开源不等于它调用的版面/表格/OCR 模型可以任意商用，选型时要逐个核对模型卡许可；二是若处理含个人信息的文档，工具开源不等于数据合规，仍需按自有合规要求管控。

协议解读供选型参考，不构成法律意见。

09专业社区口碑

未找到可靠口碑

HN 上与之相关的帖子多为低热度的发布型链接帖（最高 13 分、1 条评论），未见针对解析质量、表格识别准确率或部署踩坑的具体经验分享；因此本轮未取得可核对的使用者观点。

只检索了 Hacker News（含 Algolia 全站检索），未查阅其 GitHub Issue 区的使用讨论；HN 上「未找到」不代表实际使用中无问题。