Docling

Docling 是一个开源的文档处理库，主要解决「把各种格式的文件喂给生成式 AI 之前，先整理成机器读得懂的结构」这件事。它由 docling-project 维护，代码托管在 GitHub，采用 MIT 许可证。你给它一份 PDF 或 Word 文档，它解析出正文、表格、图片和阅读顺序，再导出成 Markdown、HTML 或 JSON，方便接进后续的模型调用或检索流程。

主要功能

支持的输入格式相当杂：PDF、DOCX、PPTX、XLSX、HTML、EPUB、LaTeX、纯文本，还有 Apple Pages、Numbers、Keynote，以及邮件、日历、音频和视频文件。对 PDF 的处理是它的重点，会识别页面布局、阅读顺序、表格结构、代码块和公式，扫描件则走 OCR。输出方面提供统一的 DoclingDocument 表示，可导出 Markdown、HTML、WebVTT、DocTags 和无损 JSON。

它提供命令行工具，也能以 API 服务（docling-serve）的形式跑起来，还带 MCP server，可以接到各类 agent 上。和 LangChain、LlamaIndex、Crew AI、Haystack 这些框架有现成集成。敏感数据可以在本地执行，适合不能联网的环境。

适合谁

做 RAG、文档问答、知识库的开发者，以及需要批量把纸质或扫描文档转成结构化文本的团队。如果你只是想手动转一两个文件，用现成的在线转换站更省事；Docling 的价值在于可编程、可批量、可本地部署。

费用与限制

项目本身开源免费，MIT 许可证，仓库页面没有列出付费版本。使用需要自己装 Python 环境、拉代码或装包，不是点开网页就能用的产品。界面和文档以英文为主，遇到复杂版式的 PDF，解析结果仍需要人工抽查。