📌 项目：docling-project/docling | 星数：67k（Python，MIT）| 日期：2026-09-20 | 今日 GitHub Trending +129 | 来源：GitHub | Trending详情
Docling（67k星，MIT，Python）是开源文档处理引擎，能把PDF、DOCX、PPTX、HTML等多种格式解析为统一的结构化表示，内置OCR、表格提取与布局分析。它输出的不是纯文本字符串，而是Pydantic数据模型，可直接用于RAG检索增强生成与知识库构建，今日Trending +129。配合 Supermemory记忆引擎 可搭建完整的私有知识检索链路。
| 特性 | 说明 |
|---|---|
| 多格式解析 | 支持PDF/DOCX/PPTX/HTML/MARKDOWN等主流文档格式统一解析 |
| OCR引擎集成 | 内置OCR能力，扫描件、图片型PDF自动识别，支持中文 |
| 表格提取 | 复杂表格结构识别，可直接转DataFrame，保留行列关系 |
| 布局分析 | 自动识别段落、标题、图片、页眉页脚、列表等版面元素 |
| Chunking分块 | 为RAG优化分块，支持语义与结构感知的切分策略 |
| Pydantic数据模型 | 输出结构化Pydantic对象，非裸字符串，便于下游消费 |
# 安装 docling
pip install docling
# 基础用法
from docling.document_converter import DocumentConverter
converter = DocumentConverter()
result = converter.convert("paper.pdf")
# result.document 输出结构化文档模型
# 可导出 Markdown / JSON / chunksPyPDF2只能提取纯文本，Docling做布局分析+OCR+表格提取+结构化输出，输出是Pydantic模型不是字符串。
支持，OCR引擎含中文模型，布局分析对中文排版同样有效。
纯文本PDF几秒，扫描件需OCR约1-2分钟，取决于CPU和页数。