Docling 实用示例

从任何数字版 PDF 获得干净、可读的 Markdown。

适用场景： 当你需要从数字或混合 PDF 得到干净、可读的 Markdown 时。

CLI

Python

from docling.document_converter import DocumentConverter

converter = DocumentConverter()
result = converter.convert("report.pdf")
print(result.document.export_to_markdown())

使用的标志

• --to md 选择 Markdown 输出。

预期输出

# Annual Report

## Revenue

| Year | Revenue |
|---|---:|
| 2025 | $12M |
| 2026 | $15M |

变体

常见错误： 对扫描 PDF 运行却得到空文本。如果 PDF 没有文本层，请使用 OCR（--ocr-mode full_page）。

官方文档 · PDF 转 JSON

用于自定义流水线的完整 DoclingDocument 结构。

适用场景： 当你需要无损的 DoclingDocument 结构，包括边界框和版面元数据时。

CLI

Python

import json
from docling.document_converter import DocumentConverter

converter = DocumentConverter()
result = converter.convert("report.pdf")
print(json.dumps(result.document.export_to_dict(), indent=2))

使用的标志

• --to json 导出无损 JSON 表示。

预期输出

{
  "schema_name": "DoclingDocument",
  "texts": [ ... ],
  "tables": [ ... ]
}

变体

常见错误： 期望 CLI 的 JSON 与 export_to_dict() 逐字节相同；它们是同一文档的等价表示。

官方文档 · PDF 转 Markdown

直接从 HTTP URL 转换文档。

适用场景： 当文档在线上、你不想先下载时。

CLI

Python

from docling.document_converter import DocumentConverter

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

预期输出

## Docling Technical Report

...

变体

常见错误： 认为任何 URL 都能用。源必须是可通过 HTTP 访问的受支持文档格式。

官方文档 · 支持的格式

从纯图片页面恢复文本。

适用场景： 当页面是图像、没有可选文本时。

CLI

Python

from docling.document_converter import DocumentConverter, PdfFormatOption
from docling.datamodel.base_models import InputFormat
from docling.datamodel.pipeline_options import PdfPipelineOptions

pipeline_options = PdfPipelineOptions()
pipeline_options.do_ocr = True

converter = DocumentConverter(
    format_options={InputFormat.PDF: PdfFormatOption(pipeline_options=pipeline_options)}
)
result = converter.convert("scan.pdf")
print(result.document.export_to_markdown())

使用的标志

• --ocr-mode full_page 对每一页执行 OCR，即使已有文本。

预期输出

Text reconstructed from the scanned page image.

变体

常见错误： 对数字 PDF 一直开启 OCR 会浪费时间。仅在缺少文本层时启用。

官方文档 · 对比 OCR 引擎

数字版 PDF 的转换速度大幅提升。

适用场景： 当 PDF 已有文本层、你想要最快转换时。

CLI

Python

from docling.document_converter import DocumentConverter, PdfFormatOption
from docling.datamodel.base_models import InputFormat
from docling.datamodel.pipeline_options import PdfPipelineOptions

pipeline_options = PdfPipelineOptions()
pipeline_options.do_ocr = False

converter = DocumentConverter(
    format_options={InputFormat.PDF: PdfFormatOption(pipeline_options=pipeline_options)}
)
result = converter.convert("report.pdf")
print(result.document.export_to_markdown())

使用的标志

• --no-ocr 完全跳过 OCR 阶段。

预期输出

Markdown produced without running OCR.

变体

常见错误： 对扫描 PDF 禁用 OCR 会几乎得不到文本。

官方文档 · 所有命令

将表格转换为 Markdown 或 HTML 矩阵。

适用场景： 当文档包含你想以 Markdown 或 HTML 矩阵形式获取的表格时。

CLI

Python

from docling.document_converter import DocumentConverter, PdfFormatOption
from docling.datamodel.base_models import InputFormat
from docling.datamodel.pipeline_options import PdfPipelineOptions

pipeline_options = PdfPipelineOptions()
pipeline_options.do_table_structure = True

converter = DocumentConverter(
    format_options={InputFormat.PDF: PdfFormatOption(pipeline_options=pipeline_options)}
)
result = converter.convert("report.pdf")
print(result.document.export_to_markdown())

使用的标志

• --table-mode accurate 对复杂合并单元格表格使用 TableFormer。

预期输出

| Region | Q1 | Q2 |
|---|---:|---:|
| EMEA | 4.2 | 4.8 |

变体

常见错误： 认为每个表格都完美。合并单元格和无边框表格可能仍需人工检查；可尝试 --table-mode accurate。

官方文档 · 构建命令

将公式和代码块提取为 LaTeX。

适用场景： 用于含公式或代码块的科研或技术文档。

CLI

Python

from docling.document_converter import DocumentConverter, PdfFormatOption
from docling.datamodel.base_models import InputFormat
from docling.datamodel.pipeline_options import PdfPipelineOptions

pipeline_options = PdfPipelineOptions()
pipeline_options.do_code_enrichment = True
pipeline_options.do_formula_enrichment = True

converter = DocumentConverter(
    format_options={InputFormat.PDF: PdfFormatOption(pipeline_options=pipeline_options)}
)
result = converter.convert("paper.pdf")
print(result.document.export_to_markdown())

使用的标志

• --enrich-code 检测代码块。
• --enrich-formula 提取 LaTeX 公式。

预期输出

$$ E = mc^2 $$

变体

常见错误： 对没有公式或代码的文档启用增强只会增加处理时间而收益很小。

官方文档 · 构建命令

适用于向量库的结构感知分块。

适用场景： 当你想要保留标题、表格和页面元数据以供向量库使用的分块时。

CLI

Python

from docling.document_converter import DocumentConverter
from docling.chunking import HybridChunker

converter = DocumentConverter()
result = converter.convert("report.pdf")

chunker = HybridChunker()
for chunk in chunker.chunk(result.document):
    print(chunk.text)

使用的标志

• --to chunks 输出分块结果。
• --chunks-type hybrid 使用 HybridChunker。

预期输出

Chunks split on document structure rather than raw character counts.

变体

常见错误： 使用简单的字符分割而非结构感知分块，会破坏表格和标题。

官方文档 · RAG 指南

将解析后的文档加载到 LangChain 流水线。

适用场景： 当你将解析后的文档载入 LangChain 流水线时。

CLI

Python

from langchain_docling import DoclingLoader

loader = DoclingLoader(file_path="report.pdf")
docs = loader.load()
print(docs[0].page_content[:200])

预期输出

LangChain Document objects with parsed page content and metadata.

变体

常见错误： 忘记单独安装与 docling 分离的集成包。

官方文档 · LlamaIndex 示例

从解析后的文件构建 LlamaIndex 节点。

适用场景： 当你从解析后的文件构建 LlamaIndex 文档节点时。

CLI

Python

from llama_index.readers.docling import DoclingReader

reader = DoclingReader()
documents = reader.load_data(file_path="report.pdf")
print(documents[0].text[:200])

预期输出

LlamaIndex documents ready for indexing.

变体

常见错误： 混用 docling 与 reader 包的版本；请让两者都保持最新。

官方文档 · LangChain 示例