Docling 使用教學：把 PDF、Word、PPT 轉成 Markdown 給大模型用（安裝與示例）

本文根據 Docling 官方倉庫 README 整理，資料核對於 2026-10-11。文中代碼和命令取自官方 README，沒有在本機運行驗證。

適用於誰

• 搜「docling 是什麼」「docling 使用」「docling 教學」的人；
• 要把一批 PDF、Word、PPT 餵給大模型或者導入知識庫，直接複製粘貼出來的文字亂成一團的人；
• 資料涉及內部資訊，不想上載到在線轉換服務的人。

結論先說

1. Docling 是一個開源的文檔解析工具包：把多種格式的文檔解析成統一的結構，再導出成 Markdown、HTML、JSON 等，方便接到生成式 AI 的流程裏。
2. 它的強項是 PDF：能識別頁面版面、閱讀順序、表格結構、代碼、公式，並對圖片分類。
3. 在本地運行。官方特別提到適合敏感數據和隔離網絡環境。
4. 安裝一行：pip install docling，需要 Python 3.10 及以上，macOS、Linux、Windows 都支持。
5. 用起來也很短：Python 裏五行，命令行裏一條 docling 文件或網址。
6. 代碼是 MIT 許可；所用各模型的許可見各自的原始包。

一、來歷

README 的說明：項目由 IBM 研究院蘇黎世的 AI for knowledge 團隊發起，現在是 LF AI & Data 基金會託管的項目。

二、能讀什麼、能導出什麼

輸入格式（README 所列）：PDF、DOCX、PPTX、XLSX、HTML、EPUB，Apple 的 Pages、Numbers、Keynote，音頻 WAV、MP3，字幕 WebVTT，電郵 EML、MSG，圖片（PNG、TIFF、JPEG 等），LaTeX，以及純文本等。

導出格式：Markdown、HTML、WebVTT、DocTags、DocLang，以及無損的 JSON。

主要能力

為什麼「閱讀順序」和「表格結構」重要：PDF 裏存的是每個字在頁面上的位置，不是段落。雙欄排版、跨頁表格、頁眉頁腳，直接提取文字就會串行、錯位。大模型拿到的是錯亂的文本，回答自然不可靠。

三、安裝

bash
pip install docling

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

建議裝在單獨的虛擬環境裏。

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 可以是本地路徑，也可以是網址；
• converter.convert(source) 完成解析，得到統一的文檔對象 result.document；
• export_to_markdown() 導出 Markdown。

批量處理時，DocumentConverter 創建一次後重複使用，逐個文件調用 convert 即可。

五、命令行用法

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

這條命令會在當前目錄寫出一個 Markdown 文件。把網址換成本地文件路徑同樣適用。

用 VLM 管線：

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

這條命令改用視覺語言模型（示例裏是 GraniteDocling）來處理頁面。它和預設管線的差別、各自適合的文檔類型以及硬件要求，見官方文檔。預設結果不理想時可以拿同一份文檔對比着試。

六、放進 RAG 流程時的注意點

• 轉完先抽查。挑幾份有代表性的文檔（帶表格的、雙欄的、掃描的），把 Markdown 和原文對一遍，再批量處理；
• 掃描件依賴 OCR。掃描質素差、手寫內容、印章遮擋，識別結果要人工核對，關鍵數字不要直接採信；
• 表格看一眼。合併單元格、跨頁表格最容易出問題。重要的表格可以單獨導出為結構化數據；
• 按標題分段。Markdown 的好處是保留了標題層級，切分知識庫時按小節切，比按固定字數切更不容易把一段完整的意思切斷。分段參數的含義見《Dify 知識庫搭建教學》；
• 保留來源資訊。每個分段記下來自哪個文件、哪一節，回答時才能給出處。

向量庫的選擇見《ChromaDB 是什麼》。

七、和同類工具怎麼選

簡單的判斷：文檔本身是規整的電子版（Word、PPT、文字型 PDF），先用輕量的；學術論文、財報、帶複雜表格的掃描件，用版面理解能力強的。

常見問題

Q：第一次運行很慢？

這類工具首次使用時需要準備模型，之後會快很多。具體下載什麼、放在哪、能否離線預置，以官方文檔為準。

Q：需要 GPU 嗎？

README 的概述裏沒有寫硬件要求。沒有 GPU 也可以先試，文檔量大或用 VLM 管線時再考慮硬件。

Q：能處理中文文檔嗎？

README 沒有專門說明各語言的效果。用你自己的中文樣例測一遍，重點看掃描件的 OCR 結果。

Q：資料很敏感，會不會被上載？

官方的定位是本地執行，適合敏感數據和隔離網絡環境。注意示例裏的 source 如果寫的是網址，程序會去下載那個文件；模型的獲取也可能需要聯網。

參考資料

• docling-project/docling（官方倉庫與 README）：https://github.com/docling-project/docling