# Docling

Canonical: https://cqbase.net/zh/entry/docling
Chinese: https://cqbase.net/zh/entry/docling
English: https://cqbase.net/en/entry/docling

> 把复杂文档整理成生成式 AI 更容易用的结构，MIT 许可。

docling-project/docling 用 MIT 许可发布，目标是把 PDF 一类复杂文档处理成生成式模型更好用的结构。它不是聊天产品，而是文档预处理这一步。

适合要让代理引用长文档、又希望保留标题和表格结构的人。先用一份你有权处理的样本看输出，再批量跑。处理后的文本同样不能当成你可以自由发表的原文。

推荐来源：

- [@0x_rody](https://x.com/0x_rody/status/2121328656094244982) 在 2026 年 11 月 14 日 的帖子里提到了这个项目（数字采集于 2026 年 11 月 15 日：26 次喜欢，0 次转发）。

## 解决什么问题

[docling-project/docling](https://github.com/docling-project/docling) 用 MIT 许可发布，目标是把 PDF、Office 文档、HTML、电子邮件等复杂文件解析成生成式模型更好用的结构。它提供统一的 `DoclingDocument`，可以再导出为 Markdown、HTML、JSON 等格式，并尽量保留标题、阅读顺序和表格。它不是聊天产品，而是文档进入模型之前的预处理一步。

项目由 IBM Research Zurich 的团队起步，现在托管在 [LF AI & Data Foundation](https://lfaidata.foundation/projects/) 下。技术细节见 [Docling Technical Report](https://arxiv.org/abs/2408.09869)。代码库是 MIT，但个别模型有自己的许可证，官方要求查看原模型包里的说明。

## 适合谁

适合要让代理引用长文档、又希望标题和表格结构还在的人。你可以在本机用 CLI 或 Python 库转换，也可以按文档把 Docling 接到 MCP、API 服务（docling-serve）以及 LangChain、LlamaIndex 等框架。敏感文件可以走本地路径，不必先上传到第三方聊天产品。

请先用一份你有权处理的样本看输出，再批量跑。转换后的文本同样是原作品，不能当成你可以自由发表的原文。第一次运行往往会下载模型，需要磁盘和内存，不适合在毫无准备的共享机器上直接开跑。

## 怎么装

核验日期为 2026-11-16（Asia/Shanghai）。安装命令以仓库 README 和官方 [Installation](https://docling-project.github.io/docling/getting_started/installation/) 为准。当天 PyPI 上的 [docling](https://pypi.org/project/docling/) 为 2.150.1，要求 Python 3.10 或更新（`<4.0,>=3.10`）。README 写明：从 2.70.0 起已不再支持 Python 3.9。仓库当天最近一次推送是 2026-11-15 14:11（Asia/Shanghai），并未归档。

默认安装：

```bash
pip install docling
```

若使用 uv，官方写法是 `uv add docling`。只使用 CPU 的 Linux 环境，文档建议加上 PyTorch 的 CPU 索引，例如：

```bash
pip install docling --extra-index-url https://download.pytorch.org/whl/cpu
```

Intel 芯片的 macOS 可能遇到较新 PyTorch 不再提供 x86_64 轮子的问题。官方为 pip 用户提供了 `pip install "docling[mac_intel]"`，并提醒 PyTorch 2.2.2 需要 Python 3.12 或更低。细节以安装页为准，不要在不核对的情况下混装多个 torch 版本。

扫描件、音频、视频或视觉语言模型不是默认包的全部能力。官方用 extras 按需安装，例如 `pip install "docling[easyocr]"`、`docling[vlm]`、`docling[asr]`。OCR 引擎、Tesseract 的系统依赖和 `TESSDATA_PREFIX` 的设置，见同一篇 Installation 页。本文不把这些 extras 写成人人必装。

**命令行**

官方快速示例会把一份公开论文转成当前目录下的 Markdown：

```bash
docling https://arxiv.org/pdf/2408.09869
```

**Python 库**

```python
from docling.document_converter import DocumentConverter

source = "https://arxiv.org/pdf/2408.09869"
converter = DocumentConverter()
result = converter.convert(source)
print(result.document.export_to_markdown())
```

**MCP（可选）**

若要把转换能力交给 MCP 客户端，官方文档给出的配置是通过 `docling-mcp` 启动服务器：

```json
{
  "mcpServers": {
    "docling": {
      "command": "uvx",
      "args": ["--from=docling-mcp", "docling-mcp-server"]
    }
  }
}
```

默认在本地转换。若改走已经部署的 docling-serve，需要按 [MCP 说明](https://docling-project.github.io/docling/usage/mcp/) 设置 `DOCLING_SERVICE_URL` 等环境变量。本文没有实跑这条 MCP 路径。

## 一个实际例子

下面用官方技术报告 PDF 做一次结构检查。该 URL 来自官方 README，请确认你所在网络可以访问 arXiv，并且只把输出当作阅读资料。本次没有实跑，因此不编造转换结果。

1. 在 Python 3.10 或更新的环境中执行 `pip install docling`。
2. 保存如下脚本，例如 `try_docling.py`：

```python
from docling.document_converter import DocumentConverter

source = "https://arxiv.org/pdf/2408.09869"
converter = DocumentConverter()
result = converter.convert(source)
text = result.document.export_to_markdown()
print(len(text))
print(text.splitlines()[0] if text else "empty")
```

3. 运行 `python try_docling.py`。预期效果：首次运行可能下载模型并花费较长时间，成功后打印非零字数和第一行标题。请打开原 PDF，自己核对标题、章节和小表是否还在，而不是把导出文本再发布出去。
4. 若你改用本地文件，把 `source` 换成你有权处理的路径即可。扫描件如果版面识别很差，再按官方文档启用 OCR extras，不要假设默认安装已经包含你选定的引擎。

## 常见坑

- 在 Python 3.9 上安装当前稳定版。官方已写明 2.70.0 起不再支持 3.9，应使用 3.10 或更高。
- 把代码库的 MIT 许可直接套到模型权重上。README 的 License 一节要求查看各模型原包的许可。
- 第一次转换就在无磁盘空间或无网络的环境进行。模型需要下载，失败时不要误以为是文档格式不受支持。
- 扫描 PDF 不安装、也不配置 OCR，却期望表格和文字都完整。默认自动选择不会挑到 Tesseract；若你只用 Tesseract CLI，需要按文档显式指定引擎。
- 在 Intel Mac 上使用过新的 PyTorch，或同时安装 `opencv-python` 与 `opencv-python-headless`。安装页把这些写成了已知问题。
- 把转换结果当作你可以发表的新作品。输出仍是原文档的内容。

## FAQ

### Docling 能处理哪些格式？

README 在核验当天列出的输入包括 PDF、DOCX、PPTX、XLSX、HTML、EPUB、Apple Pages / Numbers / Keynote、多种图片、LaTeX、电子邮件、日历、音频，以及部分视频容器。导出包括 Markdown、HTML、JSON 等。完整清单以 [supported formats](https://docling-project.github.io/docling/usage/supported_formats/) 为准，会随版本增加。

### 必须安装 OCR extras 吗？

不是。数字版 PDF 往往用默认管道即可。扫描件或图片才需要 OCR。引擎和系统依赖以安装页为准，按需选择，不要一次装上全部 extras。

### 可以用 MCP 调用它吗？

可以。官方文档给出了 `uvx --from=docling-mcp docling-mcp-server` 的配置，默认本地转换，也可以改指向远程的 docling-serve。细节见 [MCP 页](https://docling-project.github.io/docling/usage/mcp/)。

### 许可证是 MIT，就可以任意再分发模型吗？

不可以直接这样推断。代码库是 MIT；官方明确写了个别模型要看原包许可。商用或再分发前请自己阅读那些说明。

### 它和 MarkItDown 有什么不同？

两者都可以把文件变成 Markdown，但定位不同。Docling 强调版面、阅读顺序和表格结构，并带有本地模型管道；本站另有 [MarkItDown](https://cqbase.net/zh/entry/markitdown) 条目。选择哪一个，取决于你要的是轻量转换，还是更完整的文档结构。本文没有做对比评测。

## 来源与许可

仓库 [docling-project/docling](https://github.com/docling-project/docling) 的代码库使用 MIT 许可，模型许可需另行核对。本文依据 2026-11-16 查阅的 README、[安装文档](https://docling-project.github.io/docling/getting_started/installation/)、[MCP 说明](https://docling-project.github.io/docling/usage/mcp/) 和 PyPI 页面，用自己的话写成，供 CQBase 上下文库使用。若安装 extras、Python 版本或支持格式有变，以官方文档为准。

## 收录信息

- 作者: docling-project
- 许可证: MIT
- 来源: https://github.com/docling-project/docling
- 收录: 2026-11-15
- GitHub 星标: 70604（采集 2026-11-15）

