独立指南 · 已在 Docling 2.143.1 上测试

Docling 详解——实测每一条命令与数据

Q: 如何下载安装 Docling？

在 Python 3.10–3.14 的虚拟环境中运行 pip install docling，再用 docling --version 验证。国内网络可加 -i https://pypi.tuna.tsinghua.edu.cn/simple 使用清华 PyPI 镜像。没有 GPU 的 Linux 服务器建议先安装 CPU 版 PyTorch。

Q: Docling 模型下载失败怎么办？

Docling 首次运行会从 Hugging Face 下载约 0.5 GB 模型。如果无法访问，可设置 HF_ENDPOINT 环境变量使用镜像，或在能联网的机器上用 docling-tools models download 下载后拷贝过来，并通过 DOCLING_ARTIFACTS_PATH 指定目录。

Q: Docling 会把我的文档上传到别处吗？

默认不会。转换在本机完成，模型从 Hugging Face 下载一次后缓存。只有显式加上 --enable-remote-services（或 enable_remote_services=True）时，才会调用外部 API。

Docling 是 IBM Research 开源的文档转换工具包，可把 PDF、Office 文件、扫描件和音频转换成干净的 Markdown、JSON 和可直接用于 RAG 的分块。本站告诉你如何安装、配置并让它跑得更快——所有命令都在 2.143.1 上运行过，所有数字都由我们亲自测量。

获取我的安装命令查看基准测试

命令已在 2.143.1 上验证基准测试可复现无需注册，仅有基础统计

docling convert docling_report.pdfv2.143.1

1 · 解析2 · 版面3 · 表格4 · 导出

2.143.1最新版本，2026 年 10 月 27 日发布

233自 2024 年 7 月以来在 PyPI 发布的版本数

3.6M近 30 天下载量（不含镜像）

36种输入格式，从 PDF 到 EML 和 AFP

12种输出格式，含 Markdown、JSON、分块

MITDocling 代码的许可证

来源：PyPI 发布记录与 pypistats.org（27 Sep – 26 Oct 2026），读取于 2026 年 10 月 27 日。格式数量来自 Docling 自身的 InputFormat 与 OutputFormat 枚举。

Docling 是什么

一个为 AI 流程而生的文档转换器。

Docling 像人一样阅读文档——标题、段落、表格、图片和阅读顺序——再把它输出为结构化数据。正是这种结构让它适合搜索、RAG 和智能体。

它能做什么

Docling 逐页解析，用版面模型标注每个区域，逐个单元格重建表格结构，必要时对扫描件做 OCR，最终组装成无损的 DoclingDocument。从这一个对象可以导出 Markdown、HTML、JSON、DocTags、WebVTT 或按 token 限长的分块。

谁在开发它

Docling 由 IBM 苏黎世研究院的 AI for Knowledge 团队发起，2024 年 7 月作为开源软件包发布，现托管于 LF AI & Data 基金会。代码以 MIT 许可证开源于 github.com/docling-project。docling.org 是独立指南，而不是项目本身。

以上信息于 2026 年 10 月 27 日根据 PyPI 元数据和项目 README 核对。
最新版本	2.143.1（docling-core 2.105.0、docling-parse 7.23.1、docling-ibm-models 4.0.4）
首次发布	0.1.0 于 2024 年 7 月 15 日 · 2.0.0 于 2024 年 10 月 16 日
Python	3.10–3.14 · macOS、Linux、Windows · x86_64 与 arm64
许可证	MIT（代码）。可选模型有各自的许可证。
运行方式	本地运行，支持 CPU 或 GPU（CUDA、Apple MPS、Intel XPU）。远程服务需手动开启。
接口	Python API、`docling` 命令行、`docling-serve` REST API、MCP 服务器、LangChain / LlamaIndex / Haystack / CrewAI 集成

工作原理

从像素到结构的五个阶段。

标准 PDF 流水线串联了多个专用模型。了解每个阶段的耗时，是让 Docling 变快的关键——下面的耗时来自我们对一篇 9 页论文的实测。

Docling 2.143.1 的标准 PDF 流水线。模型名称为 CLI 首次运行时默认下载的模型。

解析

docling-parse 读取字符、字体和位图及其坐标。

0.3 秒 / 9 页

OCR

只处理没有文本层的区域，或在整页模式下处理全部内容。

61 秒 / 9 页（默认）

版面

Heron 版面模型标注标题、正文、表格、图片、列表等。

15.5 秒 / 9 页

表格

TableFormer 预测行、列和合并单元格。

11.6 秒 / 3 个表格

组装

阅读顺序、层级和来源坐标组成 DoclingDocument。

0.3 秒

快速开始

三条命令完成第一次转换。

在全新的 Python 3.13 虚拟环境和 Docling 2.143.1 上测试通过。首次运行会向 Hugging Face 缓存下载约 500 MB 模型。

bash1 · 安装（国内可加清华镜像）

python3 -m venv .venv && source .venv/bin/activate
pip install docling
# 国内网络：pip install docling -i https://pypi.tuna.tsinghua.edu.cn/simple

bash2 · 命令行转换

docling convert https://arxiv.org/pdf/2408.09869 --to md --no-ocr
# 在当前目录生成 2408.09869.md

python3 · 在 Python 中转换

from docling.document_converter import DocumentConverter

converter = DocumentConverter()
result = converter.convert("https://arxiv.org/pdf/2408.09869")
doc = result.document

print(doc.export_to_markdown()[:500])
doc.save_as_json("report.json")   # 无损，可重新载入

实测，而非宣传

Docling 的大部分时间花在了你可能不需要的 OCR 上。

我们在一台普通的 4 vCPU 机器上，用四种配置转换了 Docling 技术报告（9 页）。默认设置下，对嵌入图片的 OCR 占了 77 秒中的 61 秒。关闭 OCR 后，Docling 快了 3.7 倍。

不同 Docling 配置下每页耗时（秒）9 页原生数字 PDF（Docling 技术报告），一台 4 vCPU、无 GPU 的云服务器，3 次预热后运行的中位数。

docling.org 使用 Docling 2.143.1 实测。越低越好。

查看数据表

不同 Docling 配置下每页耗时（秒）
	秒/页
默认（自动 OCR + 表格）	8.51 秒
关闭 OCR	2.31 秒
关闭 OCR + 快速表格	2.05 秒
关闭 OCR + 不用表格模型	1.59 秒

时间花在哪里：各阶段模型耗时9 页合计秒数。多线程流水线中各阶段会并行，因此合计可能超过实际耗时。

版面分析OCR表格结构解析与组装

Docling 内置性能分析计时（settings.debug.profile_pipeline_timings），docling.org 实测。

查看数据表

时间花在哪里：各阶段模型耗时
	版面分析	OCR	表格结构	解析与组装	合计
默认（自动 OCR + 表格）	15.5	61.0	11.6	0.7	88.7
关闭 OCR	13.2	0.0	12.8	0.9	26.8
关闭 OCR + 快速表格	12.7	0.0	8.3	0.8	21.8
关闭 OCR + 不用表格模型	13.5	0.0	0.0	0.8	14.4

阅读性能指南 → · Docling 与 Marker、PyMuPDF4LLM、MarkItDown 对比 →

指南

按你要做的事来选。

安装与下载 Docling

pip 或 uv、仅 CPU 的 PyTorch、CUDA、Apple Silicon、可选组件与离线下载模型。

安装指南 →

CLI 命令参考

直接从工具读取的全部 73 个 docling convert 选项，附常用命令示例。

搜索选项 →

Python API

DocumentConverter、流水线选项、批量转换与 DoclingDocument 数据模型。

Python 指南 →

OCR

七个引擎、真正可用的语言代码（含中文），以及何时关闭 OCR。

OCR 指南 →

RAG 与分块

在真实文档上对比 HybridChunker 与 HierarchicalChunker、token 上限与加载器。

分块指南 →

VLM 与 Granite-Docling 模型

视觉语言流水线、全部 22 个模型预设，以及 VLM 何时优于标准流水线。

VLM 指南 →

免费工具

少走弯路。

每个工具都在你的浏览器中运行，数据直接读取自 Docling 2.143.1 本身，生成的命令可直接粘贴到终端使用。

工具

配置生成器

勾选所需功能，同时得到对应的 CLI 命令、Python 脚本和 docling-serve 请求。

打开 → 工具

安装命令选择器

输入系统、硬件和功能，得到经过测试的安装步骤——包括仅 CPU 版 PyTorch 的技巧。

打开 → 工具

错误查找器

粘贴 traceback，获得原因与解决方法，匹配的是 Docling 的真实报错信息。

打开 → 工具

分块可视化

浏览一篇 9 页论文在 256 和 512 token 下的真实分块，看看在哪里断开。

打开 → 工具

OCR 引擎选择器

输入语言、平台和 GPU，得到可用的引擎、语言代码和命令。

打开 → 工具

格式检查器

输入任意文件名，查看 Docling 能否读取、使用哪个后端、需要安装什么。

打开 →

项目动态

几天就发一个版本——所以版本号很重要。

Docling 更新很快：新增参数、默认值变化、旧语法被弃用。这正是本站每个页面都注明验证版本的原因。

Docling 每月发布次数过去 24 个月在 PyPI 上共发布 180 个版本，平均约每 4 天一个新版本。

来源: PyPI JSON API, docling (fetched 27 Oct 2026)

查看数据表

Docling 每月发布次数
月份	发布数
24年11月	11
12月	8
25年1月	4
2月	9
3月	9
4月	3
5月	5
6月	7
7月	6
8月	6
9月	7
10月	7
11月	6
12月	4
26年1月	6
2月	5
3月	8
4月	9
5月	4
6月	14
7月	10
8月	11
9月	7
10月	14

PyPI 每周下载量自 docling-slim 发布（2026 年 4 月 29 日）以来，每次 pip install docling 都会同时安装 docling-slim，所以两条线是重叠关系，不能相加。

doclingdocling-slim

来源: pypistats.org, downloads without mirrors, Monday–Sunday weeks

查看数据表

PyPI 每周下载量
周起始日	docling	docling-slim
2026-04-13	1,333,907
2026-04-20	1,390,442
2026-04-27	1,337,045
2026-05-04	1,679,379	271,107
2026-05-11	1,957,311	383,377
2026-05-18	2,196,697	500,468
2026-05-25	1,815,117	475,482
2026-06-01	2,438,722	556,566
2026-06-08	3,489,469	819,817
2026-06-15	4,113,690	993,200
2026-06-22	4,562,301	1,139,852
2026-06-29	5,212,888	1,313,959
2026-07-06	4,841,471	1,380,407
2026-07-13	4,525,869	1,406,045
2026-07-20	3,110,568	1,149,128
2026-07-27	2,092,458	995,596
2026-08-03	2,126,349	976,520
2026-08-10	2,046,004	998,169
2026-08-17	2,720,763	1,190,997
2026-08-24	893,561	608,657
2026-08-31	648,958	583,158
2026-09-07	673,535	620,068
2026-09-14	595,150	592,255
2026-09-21	658,231	631,358
2026-09-28	787,540	754,234
2026-10-05	829,818	753,426
2026-10-12	856,709	828,168
2026-10-19	901,232	965,393

我们的做法

每条命令都运行过，每个数字都有出处。

我们在干净的环境中安装最新的 Docling，直接从 CLI 读取选项名称，运行我们发布的代码，并在公开说明配置的硬件上做基准测试。来自外部的事实——许可证、模型分数、镜像大小——都链接到我们读取的来源。

我们的方法 →

独立

不是 IBM，也不是 Docling 项目，只是认真测试的用户。

docling.org 独立运营，未获 IBM 或 LF AI & Data 基金会背书。如果发现错误或过时内容，请写信至 hello@docling.org——更正通常一天内上线。

Docling 官方仓库 ↗

常见问题

关于 Docling 的常见问题

Docling 是什么？

Docling 是一个开源 Python 工具包，可将 PDF、Word、PowerPoint、Excel、HTML、图片、音频等 36 种输入格式的文档转换为结构化的 DoclingDocument，再导出为 Markdown、JSON、HTML、纯文本或用于检索增强生成（RAG）的分块。它在本地运行，使用专门的 AI 模型识别版面和表格结构，采用 MIT 许可证。

Docling 是谁开发的？是 IBM 的产品吗？

Docling 由 IBM 苏黎世研究院的 AI for Knowledge 团队发起，现作为开源项目托管在 LF AI & Data 基金会，代码位于 github.com/docling-project/docling，IBM 研究人员仍是主要贡献者。

Docling 官网是哪个？docling.org 是官方网站吗？

不是。docling.org 是由 Docling 用户运营的独立指南，与 IBM、LF AI & Data 基金会及 Docling 项目均无关联。官方资源是 GitHub、docling.ai 和官方文档。我们只发布测试过的内容，并在每页列出来源。

Docling 免费吗？

免费。Docling 代码采用 MIT 许可证，可免费商用。它下载的模型有各自的许可证：默认的 Heron 版面模型为 Apache-2.0，TableFormer 权重为 CDLA-Permissive-2.0 / Apache-2.0。启用其他可选模型前请查看对应的模型卡。

如何下载安装 Docling？

在 Python 3.10–3.14 的虚拟环境中运行 pip install docling，再用 docling --version 验证。国内网络可加 -i https://pypi.tuna.tsinghua.edu.cn/simple 使用清华 PyPI 镜像。没有 GPU 的 Linux 服务器建议先安装 CPU 版 PyTorch，详见安装指南。

Docling 模型下载失败怎么办？

Docling 首次运行会从 Hugging Face 下载约 0.5 GB 模型。如果无法访问，可设置 HF_ENDPOINT 环境变量使用镜像，或在能联网的机器上用 docling-tools models download 下载后拷贝过来，并通过 DOCLING_ARTIFACTS_PATH 指定目录。

Docling 需要 GPU 吗？可以只用 CPU 解析吗？

不需要 GPU。在我们 4 vCPU 的测试机上，关闭 OCR 后原生数字 PDF 每页约 2.3 秒。有 CUDA GPU 或 Apple Silicon 时版面、表格和 OCR 模型会更快，VLM 流水线则基本需要 GPU。查看性能指南。

Docling 会把我的文档上传到别处吗？

默认不会。转换在本机完成，模型从 Hugging Face 下载一次后缓存。只有显式加上 --enable-remote-services（或 enable_remote_services=True）时，才会调用外部 API。