Docling 是什么、怎么用：把 PDF、Word、PPT 解析成 Markdown 的开源文档处理库

本文根据 Docling 官方 GitHub 仓库 README 整理，资料核对于 2026-10-11。开源项目变化快，以官方仓库为准。

是什么

Docling 是一个开源的文档处理库，README 的介绍是：通过解析各种格式来简化文档处理，并把结果对接到生成式 AI 的工具链里。它由 IBM 苏黎世研究院的团队发起，现在是 LF AI & Data 基金会托管的项目。仓库约有 6.86 万星标，采用 MIT 许可。它和 MinerU 解决的是同一类问题——把人读的文档变成模型能用的结构化文本。

能做什么

README 列出的特性：

• 多格式解析：PDF、DOCX、PPTX、XLSX、HTML、EPUB、图片、音频、邮件等。
• 深入理解 PDF：识别版面布局、阅读顺序、表格和公式。
• 多种导出格式：Markdown、HTML、WebVTT，以及无损的 JSON 等。
• OCR：处理扫描版 PDF 和图片。
• 生态集成：LangChain、LlamaIndex、CrewAI、Haystack，并提供 MCP 服务器，可以让智能体直接调用。
• 本地执行：适合处理敏感数据，以及与外网隔离的环境。

怎么上手

README 给出的安装与命令行用法（需要 Python 3.10 或更高版本）：

bash
pip install docling
docling https://arxiv.org/pdf/2206.01062

在 Python 代码里：

python
from docling.document_converter import DocumentConverter

source = "https://arxiv.org/pdf/2408.09869"  # 本地路径或 URL
converter = DocumentConverter()
result = converter.convert(source)
print(result.document.export_to_markdown())

得到 Markdown 之后，就可以切块、生成向量并写入知识库；使用 LangChain 或 LlamaIndex 的话，可以直接用它们对应的 Docling 加载器。

免费与付费

Docling 免费、开源（MIT 许可），没有订阅。它在你自己的机器上运行，成本只有硬件和时间；首次使用需要下载模型文件。

适合谁 / 不适合谁

适合： 搭建企业知识库、文档不能上传到第三方服务的团队；需要在数据处理流水线里批量解析文档的工程师；使用 LangChain、LlamaIndex 等框架做 RAG 的开发者。

不适合： 不写代码、只想转换一两份文件的用户；机器配置很低又要处理大量扫描件的情况（OCR 较慢）；需要带界面的协作式标注与校对流程的团队。

注意事项

• 复杂表格、跨页表格和手写内容仍可能出错，关键数字要抽样核对。
• 与 MinerU 相比各有擅长的文档类型，正式选型前用自己的样本文档对比。
• MIT 许可宽松，但解析出的文档内容本身的版权不因此改变。