AI驱动的免费文档解析工具Docling

发表于 分类于 Waline： 阅读次数： 本文字数： 2.4k 阅读时长 ≈ 2 分钟
Docling 是一个由 IBM 开发的开源 python 文档处理库。

简介

什么是 Docling ？

Docling 是一个开源的 python 文档处理库，由 IBM 开发，用于将 PDF、DOCX、PPTX、XLSX、图像、HTML 等文档转换为结构化的 Markdown 或 JSON 格式，为构建 AI 驱动的 RAG/QA 应用提供了高效、便捷的解决方案。

什么是 Docling Serve ？

Docling Serve 是一个将 Docling 作为 API 服务运行的项目。

主要特点

  • 多格式支持：支持读取和转换多种文档格式，让你无需担心不同格式的兼容性问题。
  • PDF 文档理解：不仅能够提取 PDF 文档的文字内容，还能解析页面布局、阅读顺序和表格结构，提供深入的信息，完美还原数据。
  • 统一格式：使用统一的 DoclingDocument 格式来表示文档内容，方便后续处理和分析。
  • 本地执行能力：在处理敏感数据或在隔离环境中执行时，支持本地运行。
  • 即插即用的集成：可以轻松集成 LlamaIndex 和 LangChain 等工具，实现强大的 RAG / QA 应用。
  • OCR支持：支持 OCR 技术，可以处理扫描的 PDF 文件。
  • 简单易用：提供简单的 CLI 命令行界面，用户快速使用。
  • 音频支持：支持与自动语音识别（ASR）模型的集成，处理音频内容。

应用场景

  • 文档处理：企业和组织可以使用 Docling 来自动化文档处理流程，提高效率。
  • 学术研究：研究人员可以解析和提取研究文献中的重要信息，便于分析和引用。
  • 内容创建：内容创作者可以快速转换和格式化文档，以便于发布和分享。
  • 数据提取：数据科学家和分析师可以使用 Docling 从各种文档中提取结构化数据，支持数据分析工作。

Docling 是一个功能强大且灵活的工具，适合需要高效文档处理和生成式 AI 集成的用户。

安装

在群晖上以 Docker 方式安装。

Docling Serve 有多个镜像，可用于在不同硬件配置下运行，老苏选择了基础镜像

镜像 描述 架构 大小
ghcr.io/docling-project/docling-serve
quay.io/docling-project/docling-serve
从官方 PyPI 索引安装的所有包的基础映像		 linux/amd64
linux/arm64		 4.4 GB (arm64)
8.7 GB (amd64)
ghcr.io/docling-project/docling-serve-cpu
quay.io/docling-project/docling-serve-cpu
仅限 CPU 变体，使用 PyTorch CPU 索引中的 torch		 linux/amd64
linux/arm64		 4.4 GB
ghcr.io/docling-project/docling-serve-cu126
quay.io/docling-project/docling-serve-cu126
CUDA 12.6 使用torch cu126 索引构建		 linux/amd64 10.0 GB
ghcr.io/docling-project/docling-serve-cu128
quay.io/docling-project/docling-serve-cu128
CUDA 12.8 使用torch cu128 索引构建		 linux/amd64 11.4 GB

docker cli 安装

如果你熟悉命令行，可能用 docker cli 更快捷

1
2
3
4
5
6
7
8
# 运行容器
docker run -d \
   --restart unless-stopped \
   --name docling-serve \
   -p 5015:5001 \
   -e DOCLING_SERVE_ENABLE_UI=1 \
   -e GRADIO_MCP_SERVER=True \
   quay.io/docling-project/docling-serve
  • DOCLING_SERVE_ENABLE_UI=1：表示启用 Web UI
  • GRADIO_MCP_SERVER=True：表示启用 MCP Server

docker-compose 安装

也可以用 docker-compose 安装，将下面的内容保存为 docker-compose.yml 文件

1
2
3
4
5
6
7
8
9
10
11
12
version: '3'

services:
  docling-serve:
    image: quay.io/docling-project/docling-serve
    container_name: docling-serve
    restart: unless-stopped
    ports:
      - "5015:5001"
    environment:
      - DOCLING_SERVE_ENABLE_UI=1
      - GRADIO_MCP_SERVER=True

然后通过 SSH 登录到您的群晖，执行下面的命令：

1
2
3
4
5
6
7
8
9
10
# 新建文件夹 docling-serve 和 子目录
mkdir -p /volume1/docker/docling-serve

# 进入 docling-serve 目录
cd /volume1/docker/docling-serve

# 将 docker-compose.yml 放入当前目录

# 一键启动
docker-compose up -d

运行

在浏览器中输入 http://群晖IP:5015 就能看到主界面

找了篇旧文的 pdf

上传文件，选项保存默认即可

开始处理

处理完成后

有点小的排版问题，整体看起来还是相当不错的

参考文档

docling-project/docling: Get your documents ready for gen AI
地址：https://github.com/docling-project/docling

docling-project/docling-serve: Running Docling as an API service
地址：https://github.com/docling-project/docling-serve

Docling - Docling
地址：https://docling-project.github.io/docling/