企业官网建设流程全解析

别再手动清洗 PDF 了：Docling 3 步跑通 PDF 转 Markdown 与 RAG 文档解析

【免费下载链接】doclingGet your documents ready for gen AI项目地址: https://gitcode.com/GitHub_Trending/do/docling

月底要上线的 RAG 应用卡在最后一环：200 份格式各异的 PDF 报告——扫描版、双栏论文、表格密集的财报——手动复制到向量库前，光是清洗就够喝一壶。Docling 就是为这类场景生的：一个 Python 库加一条 CLI，把 PDF、DOCX、扫描件批量转成带结构的 DoclingDocument，再一键导出 Markdown 喂给下游。

它到底能干什么——一张能力地图

先用一张图把输入输出链路讲清楚：

相比 pdfplumber 只能拿到裸文本行、正则只能硬匹配模板，Docling 多做了两件事：版面检测（自动区分标题/正文/表格/公式）和结构重建（表格还原成行列关系，标题还原成层级）。所以你拿到的不是"一堆文本 + 若干 bbox"，而是一份可以直接喂给 LLM 的结构化文档。

5 分钟跑通第一个转换

装包一条命令，模型权重首次运行自动拉取：

pip install docling

下面这段就是官方最小示例，本地文件路径或 URL 都行：

from docling.document_converter import DocumentConverter source = "tests/data/pdf/sources/2206.01062.pdf" # 换成你的路径 converter = DocumentConverter() result = converter.convert(source) print(result.document.export_to_markdown()[:500])

跑完你会看到三样东西：日志里布局模型与表格模型的加载进度、CLI 路径下当前目录生成的 .md 文件，以及打印出的 Markdown——标题带#，表格是标准 GFM 语法，公式是 LaTeX。

三个真实场景，把核心能力拆开看

场景一：批量论文转 Markdown

一次转换 200 篇 arXiv 论文，用convert_all加raises_on_error=False，单个失败不拖垮整批：

from docling.document_converter import DocumentConverter, PdfFormatOption from docling.datamodel.base_models import ConversionStatus, InputFormat from docling.datamodel.pipeline_options import PdfPipelineOptions opts = PdfPipelineOptions() opts.generate_page_images = False # 纯出 Markdown，不需要页图 converter = DocumentConverter( format_options={InputFormat.PDF: PdfFormatOption(pipeline_options=opts)} ) for res in converter.convert_all(pdf_paths, raises_on_error=False): if res.status == ConversionStatus.SUCCESS: (out_dir / f"{res.input.file.stem}.md").write_text( res.document.export_to_markdown(), encoding="utf-8" ) # ... 省略失败/部分成功分支约 8 行 ...

批量任务里别把generate_page_images留着开，它会让内存占用和耗时都上一个台阶，而纯 Markdown 输出根本用不到页图。

场景二：扫描件全页 OCR

扫描版 PDF 的文本层要么缺失要么是错的，把 OCR 模式切到FULL_PAGE，强制整页重扫：

from docling.datamodel.base_models import InputFormat from docling.datamodel.pipeline_options import ( PdfPipelineOptions, TesseractOcrOptions, OcrMode, ) from docling.document_converter import DocumentConverter, PdfFormatOption opts = PdfPipelineOptions() opts.do_ocr = True opts.do_table_structure = True opts.ocr_options = TesseractOcrOptions(mode=OcrMode.FULL_PAGE) converter = DocumentConverter( format_options={InputFormat.PDF: PdfFormatOption(pipeline_options=opts)} ) doc = converter.convert("scan.pdf").document

FULL_PAGE比默认检测模式慢不少，只对"文本层完全不可信"的扫描件开；普通电子版 PDF 用默认模式即可。

场景三：表格密集型财报

财报、招股书这类文档 80% 信息在表格里。do_table_structure默认开着，但导出格式选 DocTags 或 JSON 能保留完整的行列与合并关系：

doc.save_as_markdown("out.md") # GFM 表格，人读 doc.save_as_json("out.json") # 无损，喂 RAG 索引 doc.save_as_doctags("out.doctags") # 给 LLM 微调

表格跨页时 Docling 会拆开，需要跨页合并就在下游拼接，或者换granite_vision_table引擎再试。

调性能之前，先看懂它的处理管道

三条主线的分叉逻辑：

真正影响 90% 场景的三个开关：

• do_ocr（默认 True）——电子版 PDF 关掉能省 30% 时间；扫描件必须开，且切OcrMode.FULL_PAGE。
• do_table_structure（默认 True）——输出里没有表格、或表格被当纯文本时别关；纯叙述性文档关掉能加速。
• generate_page_images（默认 False）——只在导出 HTML 且要嵌图时开，否则白跑一遍渲染。

踩过的坑，替你排好了

• 首次运行卡在模型下载 → 检查网络，或提前pip install huggingface_hub手动拉权重。
• tesserocr报libtesseract.so找不到 → 系统级装 tesseract，apt install tesseract-ocr或brew install tesseract。
• 内存爆掉 →PdfPipelineOptions.generate_page_images关 False，同时把 batch 拆小。
• macOS Intel 上 torch 装不上 → 用uv add torch==2.2.2 docling或pip install "docling[mac_intel]"。
• 转出来的 Markdown 表格是错的 → CLI 加--table-structure-engine docling_tableformer_v2或granite_vision_table再试。

做到这一步，200 份报告的清洗就从"手动复制粘贴"降级成了"一条convert_all循环加一个失败重试队列"，剩下的精力可以放回 RAG 的检索调优上。

【免费下载链接】doclingGet your documents ready for gen AI项目地址: https://gitcode.com/GitHub_Trending/do/docling