Docling 实操指南6种输出格式一次配好【免费下载链接】doclingGet your documents ready for gen AI项目地址: https://gitcode.com/GitHub_Trending/do/docling一份 40 页的财务报告要进 RAG 知识库过去你得手工复制、逐页整理表格用 Docling 做多格式文档转换一条命令就能输出带标题层级的 Markdown、保留完整结构的 JSON 和面向 LLM 的 Doctags 文本。下面先跑通最小示例原理放后面讲。用 2 条命令装好 Docling 并跑通转换在 macOS、Linux、Windows 上都能安装Python 3.10 以上即可。先装包再用命令行转换一个本地 PDFpip install docling docling contract.pdf执行完成后当前目录会生成contract.md里面是带标题、表格标记的结构化 Markdown这就是转换成功的标志。等价的 Python 写法是DocumentConverter().convert(path)拿到结果对象后调用export_to_markdown()或export_to_json()即可终端会打印出以文档标题开头的完整内容。先跑起来原理后面再说。转换器、后端、管道三个概念看懂转换过程Docling 的转换过程由三个角色协作完成。第一个是格式后端backend每种格式一个解析器负责把 PDF、DOCX、HTML 等原始文件读成统一元素第二个是处理管道pipeline它调度版面检测、表格结构识别、OCR 等模型把扫描件或复杂版式补齐成可读内容第三个是DoclingDocument一份带层级、坐标和样式信息的中间表示所有输入最终都落成它再按需求导出为各种输出格式。正因为中间表示统一同一份文档才能一次解析、多次导出。架构细节见 docs/concepts/architecture.md转换入口在 docling/document_converter.py。能力矩阵与 3 个高频配置Docling 的能力覆盖从格式解析到 AI 集成的整条链路核心能力可以压缩成这张矩阵能力维度说明典型输入/输出多格式解析20 种文档、图像、音视频格式统一解析PDF/DOCX/XLSX/MP3 → DoclingDocumentPDF 深度理解版面、阅读顺序、表格结构、公式识别扫描件、复杂版式 PDF → 带层级的 Markdown多格式导出Markdown、HTML、JSON、Doctags、纯文本等DoclingDocument → md/html/jsonRAG 分块输出带 token 预算的 JSONL 分块转换结果 → chunks JSONL本地运行敏感数据不出内网支持离线环境私有文档 → 本地转换结果1. 一次输出多种格式。--to参数可重复默认输出 Markdowndocling report.pdf --to md --to json --to html --output out/适用场景不同下游系统各取所需时md 给人看、json 进存储、html 做预览一次转换全部拿到。2. 直接为 RAG 准备分块。无需自己写分块逻辑docling report.pdf --to chunks --chunks-type hybrid --chunks-max-tokens 512 --output out/适用场景文档要进向量库做检索时分块大小和分块策略都在这里配好。3. 复杂版式切到 VLM 管道用视觉语言模型直接读图docling --pipeline vlm --vlm-model granite_docling scan.pdf适用场景标准管道对扫描件、多栏 PDF 的版面识别不准时换这条命令通常能明显提升质量。3 个典型场景论文精读、合同批量、生产翻译论文精读个人学习把长 PDF 变成可检索的笔记 输入30 页英文论文 PDF → 关键配置docling paper.pdf --to md→ 输出保留公式、引用与标题层级的 Markdown直接丢进笔记工具。合同库批量入库团队协作几十个文件一次转完 输入50 份扫描合同 → 关键配置参考 docs/examples/batch_convert.py 中的convert_all(paths, raises_on_errorFalse)→ 输出一批 md 与 json 文件结束时打印成功/失败统计坏文件不阻塞整体。多语种生产服务生产部署转换结果接翻译管线 输入英文业务文档 → 关键配置参考 docs/examples/translate.py对每个文本元素调用自己的翻译接口 → 输出保留嵌入图像的译制 Markdown可直接写回内容管理系统。4 个高频报错的快速解法 ️首次运行很慢模型权重需要下载完成后会缓存属正常现象。报ImportError: libGL.so.1Docker 等无图形环境请改用opencv-python-headless。装包时 numpy 版本与 LangChain 等冲突在 pyproject.toml 里按 Python 版本给 numpy 设不同区间。macOS Intel 机器装完跑不起来追加安装numpy2.0.0即可。更多问题排查见 docs/faq/index.md。下一步与常用命令Docling 把「任意格式进、AI-ready 格式出」做成了默认能力你缺的往往只是第一条转换命令。想深入参与开发可以从 CONTRIBUTING.md 开始。离开前存下这条最常用的命令docling annual_report.pdf --to md --to json --output out/【免费下载链接】doclingGet your documents ready for gen AI项目地址: https://gitcode.com/GitHub_Trending/do/docling创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 Docling 实操指南：6种输出格式一次配好
Docling 实操指南6种输出格式一次配好【免费下载链接】doclingGet your documents ready for gen AI项目地址: https://gitcode.com/GitHub_Trending/do/docling一份 40 页的财务报告要进 RAG 知识库过去你得手工复制、逐页整理表格用 Docling 做多格式文档转换一条命令就能输出带标题层级的 Markdown、保留完整结构的 JSON 和面向 LLM 的 Doctags 文本。下面先跑通最小示例原理放后面讲。用 2 条命令装好 Docling 并跑通转换在 macOS、Linux、Windows 上都能安装Python 3.10 以上即可。先装包再用命令行转换一个本地 PDFpip install docling docling contract.pdf执行完成后当前目录会生成contract.md里面是带标题、表格标记的结构化 Markdown这就是转换成功的标志。等价的 Python 写法是DocumentConverter().convert(path)拿到结果对象后调用export_to_markdown()或export_to_json()即可终端会打印出以文档标题开头的完整内容。先跑起来原理后面再说。转换器、后端、管道三个概念看懂转换过程Docling 的转换过程由三个角色协作完成。第一个是格式后端backend每种格式一个解析器负责把 PDF、DOCX、HTML 等原始文件读成统一元素第二个是处理管道pipeline它调度版面检测、表格结构识别、OCR 等模型把扫描件或复杂版式补齐成可读内容第三个是DoclingDocument一份带层级、坐标和样式信息的中间表示所有输入最终都落成它再按需求导出为各种输出格式。正因为中间表示统一同一份文档才能一次解析、多次导出。架构细节见 docs/concepts/architecture.md转换入口在 docling/document_converter.py。能力矩阵与 3 个高频配置Docling 的能力覆盖从格式解析到 AI 集成的整条链路核心能力可以压缩成这张矩阵能力维度说明典型输入/输出多格式解析20 种文档、图像、音视频格式统一解析PDF/DOCX/XLSX/MP3 → DoclingDocumentPDF 深度理解版面、阅读顺序、表格结构、公式识别扫描件、复杂版式 PDF → 带层级的 Markdown多格式导出Markdown、HTML、JSON、Doctags、纯文本等DoclingDocument → md/html/jsonRAG 分块输出带 token 预算的 JSONL 分块转换结果 → chunks JSONL本地运行敏感数据不出内网支持离线环境私有文档 → 本地转换结果1. 一次输出多种格式。--to参数可重复默认输出 Markdowndocling report.pdf --to md --to json --to html --output out/适用场景不同下游系统各取所需时md 给人看、json 进存储、html 做预览一次转换全部拿到。2. 直接为 RAG 准备分块。无需自己写分块逻辑docling report.pdf --to chunks --chunks-type hybrid --chunks-max-tokens 512 --output out/适用场景文档要进向量库做检索时分块大小和分块策略都在这里配好。3. 复杂版式切到 VLM 管道用视觉语言模型直接读图docling --pipeline vlm --vlm-model granite_docling scan.pdf适用场景标准管道对扫描件、多栏 PDF 的版面识别不准时换这条命令通常能明显提升质量。3 个典型场景论文精读、合同批量、生产翻译论文精读个人学习把长 PDF 变成可检索的笔记 输入30 页英文论文 PDF → 关键配置docling paper.pdf --to md→ 输出保留公式、引用与标题层级的 Markdown直接丢进笔记工具。合同库批量入库团队协作几十个文件一次转完 输入50 份扫描合同 → 关键配置参考 docs/examples/batch_convert.py 中的convert_all(paths, raises_on_errorFalse)→ 输出一批 md 与 json 文件结束时打印成功/失败统计坏文件不阻塞整体。多语种生产服务生产部署转换结果接翻译管线 输入英文业务文档 → 关键配置参考 docs/examples/translate.py对每个文本元素调用自己的翻译接口 → 输出保留嵌入图像的译制 Markdown可直接写回内容管理系统。4 个高频报错的快速解法 ️首次运行很慢模型权重需要下载完成后会缓存属正常现象。报ImportError: libGL.so.1Docker 等无图形环境请改用opencv-python-headless。装包时 numpy 版本与 LangChain 等冲突在 pyproject.toml 里按 Python 版本给 numpy 设不同区间。macOS Intel 机器装完跑不起来追加安装numpy2.0.0即可。更多问题排查见 docs/faq/index.md。下一步与常用命令Docling 把「任意格式进、AI-ready 格式出」做成了默认能力你缺的往往只是第一条转换命令。想深入参与开发可以从 CONTRIBUTING.md 开始。离开前存下这条最常用的命令docling annual_report.pdf --to md --to json --output out/【免费下载链接】doclingGet your documents ready for gen AI项目地址: https://gitcode.com/GitHub_Trending/do/docling创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考