Docling 使用教程：把 PDF、Word、PPT 转成 Markdown 给大模型用（安装与示例）

本文根据 Docling 官方仓库 README 整理，资料核对于 2026-10-11。文中代码和命令取自官方 README，没有在本机运行验证。

适用于谁

• 搜「docling 是什么」「docling 使用」「docling 教程」的人；
• 要把一批 PDF、Word、PPT 喂给大模型或者导入知识库，直接复制粘贴出来的文字乱成一团的人；
• 资料涉及内部信息，不想上传到在线转换服务的人。

结论先说

1. Docling 是一个开源的文档解析工具包：把多种格式的文档解析成统一的结构，再导出成 Markdown、HTML、JSON 等，方便接到生成式 AI 的流程里。
2. 它的强项是 PDF：能识别页面版面、阅读顺序、表格结构、代码、公式，并对图片分类。
3. 在本地运行。官方特别提到适合敏感数据和隔离网络环境。
4. 安装一行：pip install docling，需要 Python 3.10 及以上，macOS、Linux、Windows 都支持。
5. 用起来也很短：Python 里五行，命令行里一条 docling 文件或网址。
6. 代码是 MIT 许可；所用各模型的许可见各自的原始包。

一、来历

README 的说明：项目由 IBM 研究院苏黎世的 AI for knowledge 团队发起，现在是 LF AI & Data 基金会托管的项目。

二、能读什么、能导出什么

输入格式（README 所列）：PDF、DOCX、PPTX、XLSX、HTML、EPUB，Apple 的 Pages、Numbers、Keynote，音频 WAV、MP3，字幕 WebVTT，邮件 EML、MSG，图片（PNG、TIFF、JPEG 等），LaTeX，以及纯文本等。

导出格式：Markdown、HTML、WebVTT、DocTags、DocLang，以及无损的 JSON。

主要能力

为什么「阅读顺序」和「表格结构」重要：PDF 里存的是每个字在页面上的位置，不是段落。双栏排版、跨页表格、页眉页脚，直接提取文字就会串行、错位。大模型拿到的是错乱的文本，回答自然不可靠。

三、安装

bash
pip install docling

• Python 3.10 及以上（README 注明 3.9 的支持已在 2.70.0 版本移除）；
• 支持 macOS、Linux、Windows，x86_64 和 arm64 架构都可以。

建议装在单独的虚拟环境里。

四、Python 用法

README 的示例：

python
from docling.document_converter import DocumentConverter

source = "https://arxiv.org/pdf/2408.09869"  # a document via a local path or URL
converter = DocumentConverter()
result = converter.convert(source)
print(result.document.export_to_markdown())  # output: "## Docling Technical Report[...]"

• source 可以是本地路径，也可以是网址；
• converter.convert(source) 完成解析，得到统一的文档对象 result.document；
• export_to_markdown() 导出 Markdown。

批量处理时，DocumentConverter 创建一次后重复使用，逐个文件调用 convert 即可。

五、命令行用法

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

这条命令会在当前目录写出一个 Markdown 文件。把网址换成本地文件路径同样适用。

用 VLM 管线：

bash
docling --pipeline vlm --vlm-model granite_docling https://arxiv.org/pdf/2206.01062

这条命令改用视觉语言模型（示例里是 GraniteDocling）来处理页面。它和默认管线的差别、各自适合的文档类型以及硬件要求，见官方文档。默认结果不理想时可以拿同一份文档对比着试。

六、放进 RAG 流程时的注意点

• 转完先抽查。挑几份有代表性的文档（带表格的、双栏的、扫描的），把 Markdown 和原文对一遍，再批量处理；
• 扫描件依赖 OCR。扫描质量差、手写内容、印章遮挡，识别结果要人工核对，关键数字不要直接采信；
• 表格看一眼。合并单元格、跨页表格最容易出问题。重要的表格可以单独导出为结构化数据；
• 按标题分段。Markdown 的好处是保留了标题层级，切分知识库时按小节切，比按固定字数切更不容易把一段完整的意思切断。分段参数的含义见《Dify 知识库搭建教程》；
• 保留来源信息。每个分段记下来自哪个文件、哪一节，回答时才能给出处。

向量库的选择见《ChromaDB 是什么》。

七、和同类工具怎么选

简单的判断：文档本身是规整的电子版（Word、PPT、文字型 PDF），先用轻量的；学术论文、财报、带复杂表格的扫描件，用版面理解能力强的。

常见问题

Q：第一次运行很慢？

这类工具首次使用时需要准备模型，之后会快很多。具体下载什么、放在哪、能否离线预置，以官方文档为准。

Q：需要 GPU 吗？

README 的概述里没有写硬件要求。没有 GPU 也可以先试，文档量大或用 VLM 管线时再考虑硬件。

Q：能处理中文文档吗？

README 没有专门说明各语言的效果。用你自己的中文样例测一遍，重点看扫描件的 OCR 结果。

Q：资料很敏感，会不会被上传？

官方的定位是本地执行，适合敏感数据和隔离网络环境。注意示例里的 source 如果写的是网址，程序会去下载那个文件；模型的获取也可能需要联网。

参考资料

• docling-project/docling（官方仓库与 README）：https://github.com/docling-project/docling