一句话判断

手上有一堆 PDF / Word / PPT 要喂给 RAG 的人。解析质量直接决定检索效果，这一步偷懒，后面怎么调都救不回来。

Docling 由 IBM 开源，做的是文档解析这件脏活：把 PDF、DOCX、PPTX、XLSX、HTML、图片等格式统一转成结构化的 DoclingDocument，再导出成 Markdown 或 JSON。它不只是抽文字，而是做版面理解——哪块是标题、哪块是正文、阅读顺序如何、表格的单元格边界在哪、图注对应哪张图。

表格处理是它的强项。PDF 里的表格一直是解析重灾区，用普通文本抽取会变成一堆错位的数字；Docling 用 TableFormer 模型还原表格结构，能导出成 Markdown 表格或 HTML，可以直接进 RAG 或数据库。这对财务报表、产品参数表这类内容几乎是决定性的差别。

它还支持扫描件 OCR（接 EasyOCR / Tesseract / RapidOCR）、公式与代码识别，以及用视觉语言模型给图片生成描述（这样图片内容也能被检索到）。生态上和 LangChain、LlamaIndex 都有现成集成，几行代码就能接进你的 RAG 链路。

性能方面要有心理准备。开启表格结构和 OCR 后，一份几十页的 PDF 在 CPU 上可能要跑一两分钟；批量处理建议开 GPU，或者先把任务队列化。首次运行会自动下载模型权重（几百 MB 到 1GB 以上），离线环境要提前准备好。

能拿它做什么

RAG 前置：把产品手册、合同、论文转成干净的 Markdown 再切片
表格入库：从年报、报价单里抽表格，直接写进数据库
文档批量重写：把旧资料转成结构化文本，交给 LLM 改写
知识库迁移：历史 Word/PDF 资料一次性结构化

怎么用起来

pip install docling（Python 3.9+，建议用独立虚拟环境）
命令行转换：docling convert report.pdf --to md -o ./out
代码调用：from docling.document_converter import DocumentConverter; result = DocumentConverter().convert('a.pdf'); print(result.document.export_to_markdown())
中文扫描件：装 rapidocr-onnxruntime，并在 pipeline 里开启 OCR + 指定中文语言

官网在 github.com/docling-project/docling ，源码在 GitHub 仓库 ↗。

坑在哪

注意

扫描件必须有 OCR 引擎，而且中文识别质量取决于选的 OCR 后端和语言包，默认的英文配置处理中文 PDF 会一片乱码。合并单元格、跨页表格仍然会出错，重要数据一定要抽检。模型权重首次运行要联网下载，离线部署得提前缓存。另外它迭代较快，输出 JSON 的结构在版本之间可能变动，下游解析逻辑记得跟着锁版本。

文档类产品的地基，比自己写 PDF 解析省几周。