开源项目 Docling：IBM 出品、7 万星的文档解析工具

GitHub 仓库

DS4SD/docling

总 Stars

★ 70,513

主要语言

Python

查看 GitHub 项目

结论先说：Docling 是 IBM 推出的文档解析工具，7 万星，MIT 协议，Python 编写，2026 年 11 月 12 日还有提交。先说清楚：这篇不是当日榜单，是编辑精选。它能把 PDF、Word、PPT 这些文件转成干净的 Markdown 或 JSON，专门为喂给大模型做准备。

它是什么：一个文档解析库，针对表格、公式、图片、版式做了专门处理，解析结果带结构信息，不只是把文字抠出来。

能干嘛：给 RAG 应用做文档预处理、批量把公司文档转成模型能读的格式、抽表格和公式做结构化分析。

适合谁：做 RAG 和知识库的开发者、要批量处理文档的团队、给大模型准备训练或检索数据的同学。

注意点：大文件和扫描版 PDF 解析起来慢，先拿几份真实文件测速度再批量上；它依赖的模型组件第一次运行要下载，离线环境先把依赖准备好。

Docling 和直接读 PDF 的库有什么区别？

普通 PDF 库只抽文字，表格和版式信息经常丢。Docling 的目标是给大模型喂饭，表格、公式、章节结构都尽量保留，输出直接能进 RAG 流程。做知识库选 Docling，简单抽文字用轻量库就够了。

站长点评：我挑它是因为 RAG 应用最费时间的一环就是文档预处理，而 Docling 把这个脏活干得很体面——7 万星、IBM 出品、2026 年 11 月 12 日还在提交。我的建议是先拿手头最难的那份 PDF 测一遍，表格和公式都过关了再批量接。