docling

收录理由

Docling 是一个文档解析库，专门处理现实中常见的文件格式，包括 PDF、DOCX、PPTX、XLSX、HTML、EPUB，甚至音频和视频。它把这些格式统一转换成结构化的文档模型，并支持导出为 Markdown、HTML 或无损 JSON。转换过程中，阅读顺序、表格结构、版面布局和公式都能保留下来，这意味着你喂给向量数据库或智能体的不是一堆扁平的文本，而是真正有结构的内容。对于处理敏感数据或处于隔离环境的场景，它可以在本地运行，还内置了 OCR 来识别扫描页面。同时，它提供了与 LangChain、LlamaIndex 和 Haystack 的现成集成，省去大量胶水代码。团队在构建知识库、文档问答或基于真实文件的智能体工作流时，这种结构化输出往往决定了流水线是能顺畅运转，还是需要不断清理数据。