ファイルを確認する#
ファイル名を入力すると、拡張子を Docling 自身の拡張子表と照合し、そのファイルがどう読まれるかを表示します。
入力形式の全体像#
docling.datamodel.base_models.InputFormat から集計。
データ表を表示
| 形式数 | |
|---|---|
| Office・OpenDocument・CSV | 11 |
| XML スキーマ・Docling ネイティブ | 7 |
| Web・マークアップ・電子書籍 | 6 |
| Apple iWork | 3 |
| 音声・動画・字幕 | 3 |
| PDF・画像 | 2 |
| メール・ノート・カレンダー | 3 |
| メインフレーム・印刷ストリーム | 2 |
Docling のファイルの読み方は 2 通り#
PDF パイプライン
PDF・画像・METS スキャンアーカイブ用。ページを解析し、レイアウトモデルで各領域を識別し、TableFormer で表を再構成し、テキストのない箇所を OCR で補います。強力ですが、CPU では 1 ページ数秒かかります。
直接（simple）解析
構造を持つそれ以外の形式——Office、OpenDocument、HTML、Markdown、LaTeX、XML、メール、EPUB、iWork 用。見出し・リスト・表をファイルから直接読むので正確で、通常 1 秒もかかりません。
音声と動画は 3 つ目のルートで、ASR／動画パイプラインが音声を文字起こしします（動画はキーフレームも抽出）。
入力形式の完全リファレンス#
InputFormat | 拡張子 | 読み方 | メモ |
|---|---|---|---|
pdf | PDF パイプライン（docling-parse） | テキスト層のない箇所を OCR。代替パーサーは --pdf-backend pypdfium2 | |
image | .png .jpg .jpeg .tif .tiff .bmp .webp .gif | PDF パイプライン | 常に OCR |
docx | .docx .dotx .docm .dotm | 直接 | python-docx |
doc・rtf | .doc .dot · .rtf | LibreOffice → docx → 直接 | PATH 上の soffice または DOCLING_LIBREOFFICE_CMD が必要 |
pptx | .pptx .potx .ppsx .pptm .potm .ppsm | 直接 | python-pptx。EMF/WMF の画像には LibreOffice が必要 |
ppt | .ppt .pot .pps | LibreOffice → pptx → 直接 | LibreOffice が必要 |
xlsx | .xlsx .xlsm .xltx .xltm | 直接 | openpyxl。セル位置を出典として保持。通貨・パーセント・日付の表示形式を保持（2.145.0 以降）。セル内に配置した画像（Excel の「セル内に配置」）を 2.146.0 から読み取り。2.143.1 では #VALUE! になることを確認 |
xls | .xls .xlt | LibreOffice → xlsx → 直接 | LibreOffice が必要 |
csv | .csv | 直接 | 1 つの表 |
odt・ods・odp | .odt .ott · .ods .ots · .odp .otp | 直接 | --from odf で 3 つまとめて選択 |
html・mhtml | .html .htm .xhtml · .mhtml .mht | 直接 | 画像は --html-image-fetch 指定時のみ取得。ヘッドレス描画は任意 |
md | .md .markdown .txt .text .qmd .rmd | 直接 | プレーンテキストは Markdown として扱う。先頭の YAML フロントマターは読み飛ばす（2.145.0 以降） |
asciidoc | .adoc .asciidoc .asc | 直接 | |
latex | .tex .latex | 直接 | |
epub | .epub | 直接 | |
email | .eml .msg | 直接 | Outlook の .msg は python-oxmsg で読み込み |
boxnote | .boxnote | 直接 | Box Notes |
iwork_pages・iwork_keynote・iwork_numbers | .pages · .key · .numbers | 直接 | LibreOffice があればグラフを描画 |
xml_jats | .xml .nxml | 直接 | 学術論文（PubMed Central など） |
xml_uspto | .xml .txt | 直接 | 米国特許 |
xml_xbrl | .xml .xbrl | 直接（Arelle） | pip install "docling[xbrl]" |
xml_doclang・dclx | .dclg .dclg.xml · .dclx | 直接 | DocLang の文書とアーカイブ |
json_docling | .json | 直接 | 保存した DoclingDocument の再読み込み |
mets_gbs | .tar.gz | PDF パイプライン | Google Books の METS スキャンアーカイブ |
audio | .wav .mp3 .m4a .aac .ogg .flac | ASR パイプライン | pip install "docling[asr]" + FFmpeg |
video | .mp4 .avi .mov .mkv .webm | 動画パイプライン | 文字起こし＋キーフレーム。docling-slim[format-video] |
vtt | .vtt | 直接 | WebVTT 字幕 |
ebcdic | .ebc .ebcdic | 直接 | メインフレームの文字コード |
afp | .afp | 直接 | IBM AFP の印刷ストリーム |
calendar | .ics .ical .icalendar .ifb | 直接 | 2.148.0 で追加。予定・ToDo・日誌・空き時間情報と、出席者・リマインダー・添付ファイル名。追加インストール不要 |
拡張子は 2.148.0 の FormatToExtensions、バックエンドは Docling の既定の形式オプションから取得しました。一部の拡張子（.xml・.txt・.json）は複数の形式に対応しており、その場合は Docling が内容を見て判断します。
カレンダーファイル（.ics）：2.148.0 で追加#
Docling は Outlook・Google カレンダー・Apple カレンダーが書き出す iCalendar ファイルを独自のパーサーで読みます。追加インストールは不要です。予定や ToDo はそれぞれ 1 つの節になり、日時・場所・主催者・説明のあとに、出席者・リマインダー・添付ファイル名のリストが続きます。1 行目が BEGIN:VCALENDAR のファイルは拡張子がなくても認識されますが、.txt や .md という名前の場合は除きます。
docling convert team.ics --to md# Team calendar
## Quarterly planning
Start: 2026-11-10 14:00 UTC
End: 2026-11-10 15:00 UTC
Location: Room 4
### Attendees
- Bo Chen <bo@example.com> (accepted)
### Reminders
- Display, 15 minutes before start
## Send budget draft
Due: 2026-11-12 17:00 UTC
Status: Needs action当サイトの 2.148.0 での検証では、2 件の項目を含むこのファイルの変換は 0.01 秒でした。Markdown ではメールアドレスを囲む山かっこが <・> にエスケープされる点に注意してください。出力の項目名（Start、Location など）は英語固定です。
出力形式#
--to | 得られるもの | 向いている用途 |
|---|---|---|
md | 表をパイプ表で表した Markdown（既定） | LLM のプロンプト、RAG、閲覧 |
json | レイアウト・出典・座標を持つロスレスな DoclingDocument | パイプライン、引用、後からの再出力 |
yaml | JSON と同じ内容の YAML | 人による差分確認 |
html | 意味的な HTML | 表示、アーカイブ |
html_split_page | 各ページの画像と抽出 HTML を左右に並べたもの | 変換品質の確認（--show-layout を付ける） |
text | プレーンテキスト | 検索インデックス、簡単な NLP |
doctags | DocTags（Granite-Docling の出力形式） | VLM の学習・評価 |
vtt | タイムスタンプ付き WebVTT | 音声・動画の文字起こし |
doclang・dclx | DocLang XML 文書 / アーカイブ | DocLang ツールとのやり取り |
chunks | 見出しの文脈付き、トークン数制限ありのチャンク（JSON） | ベクトル DB——RAG とチャンク化を参照 |
latex | LaTeX ソース | 論文・組版 |
入力形式を制限する#
docling convert ./inbox --from pdf --from docx --to mdfrom docling.datamodel.base_models import InputFormat
from docling.document_converter import DocumentConverter
converter = DocumentConverter(allowed_formats=[InputFormat.PDF, InputFormat.DOCX])よくある質問
Docling は Word 文書を変換できますか？
はい。.docx（.dotx・.docm・.dotm も）は python-docx で Office XML から直接解析され、python-docx は pip install docling に含まれています。旧形式の .doc は先に LibreOffice で .docx に変換されるため、LibreOffice を別途インストールする必要があります。
Excel ファイルに対応していますか？
はい。.xlsx・.xlsm・.xltx・.xltm をシートごとに読み、セル位置を出典座標として保持します。旧形式の .xls は LibreOffice で .xlsx に変換してから処理します。CSV にも対応しています。
スキャンした PDF や画像を読めますか？
はい。画像（PNG・JPEG・TIFF・BMP・WebP・GIF）とスキャン PDF は OCR 付きの PDF パイプラインで処理されます。当サイトのテストでは、150 DPI のスキャン論文から元の単語の 93% を復元しました（Docling 2.148.0）。
音声や動画にも対応していますか？
はい。音声（WAV・MP3・M4A・AAC・OGG・FLAC）は ASR パイプラインで Whisper などのモデルが文字起こしし、動画（MP4・AVI・MOV・MKV・WebM）は文字起こしとキーフレームを出力します。docling[asr] と FFmpeg が必要です。
出力形式は何がありますか？
12 種類です。Markdown（md）、JSON、YAML、HTML、左右並びの HTML（html_split_page）、プレーンテキスト、DocTags、WebVTT、DocLang、DocLang アーカイブ（dclx）、チャンク、LaTeX。
出典
- Docling ソース：InputFormat・OutputFormat・FormatToExtensions（docling/datamodel/base_models.py）
- Docling ソース：形式ごとの既定バックエンド（docling/document_converter.py）
- 公式ドキュメント：対応形式