Docling
Библиотека на Python, которая превращает PDF, Office-файлы, HTML и аудио в структурированный текст для языковых моделей и RAG.
- Можно попробовать бесплатно
- Да
- Без регистрации
- Да
- Разработчик
- IBM Research
- Страна
- Швейцария
Docling — проект с открытым кодом (лицензия MIT), созданный командой IBM Research Zurich и размещённый в LF AI & Data Foundation. Библиотека читает документы разных форматов — PDF, DOCX, PPTX, XLSX, HTML, EPUB, изображения, аудио и другие — и приводит их к единому представлению DoclingDocument. Для PDF выполняется анализ разметки страницы, порядка чтения, таблиц, формул и кода, а для сканов подключается OCR. Результат экспортируется в Markdown, HTML или JSON без потерь и подходит для RAG-конвейеров и агентов. Обработка идёт локально, в том числе в закрытых контурах без выхода в интернет.
Возможности
Разбор множества форматов
Читает PDF, DOCX, PPTX, XLSX, HTML, EPUB, изображения, LaTeX, письма EML и MSG, аудио и видео. Всё приводится к единому формату DoclingDocument.
Анализ структуры PDF
Определяет разметку страницы, порядок чтения, таблицы, формулы, код и изображения. Таблицы и формулы сохраняются как структурированные данные, а не плоский текст.
OCR для сканов
Распознаёт текст в отсканированных PDF и изображениях через подключаемые OCR-движки, например Tesseract и RapidOCR.
Модели видения-языка
Позволяет разбирать страницы целиком с помощью модели GraniteDocling через режим vlm в командной строке.
Экспорт в разные форматы
Результат сохраняется в Markdown, HTML, WebVTT, DocTags или в JSON без потери структуры.
Интеграция с ИИ-фреймворками
Подключается к LangChain, LlamaIndex, CrewAI и Haystack, а через MCP-сервер доступен агентам.
Сервер docling-serve
Docling можно запустить как отдельный API-сервис и вызывать из других приложений.
Локальная обработка
Работает на своём компьютере или сервере, в том числе в закрытых контурах без доступа в интернет.
Кому подойдёт
- Разработчики
Подготовка документов для RAG и агентов: из PDF и Office-файлов получается чистая структура для индексации и поиска.
- Исследователи и учёные
Извлечение текста, таблиц и формул из научных статей и отчётов для дальнейшего анализа.
- Аналитики
Массовое превращение отчётов, презентаций и таблиц в Markdown или JSON для обработки данных.
- Предприниматели и руководители
Построение внутреннего поиска по документам компании с обработкой на собственных серверах.
Как начать
- Установить библиотеку командой pip install docling (нужен Python 3.10 или новее).
- Запустить в терминале docling и указать путь или адрес документа, чтобы получить файл Markdown.
- Либо в Python создать DocumentConverter, вызвать convert() и затем export_to_markdown().
- Подключить результат к LangChain, LlamaIndex или другому фреймворку, либо развернуть docling-serve как API.
Тарифы
Проект с открытым кодом. Отдельные модели могут иметь собственные лицензии.
Ограничения
- Требуется Python 3.10 или новее
- Графического интерфейса нет: работа через код, командную строку или API
- Модели видения-языка и OCR требуют заметных вычислительных ресурсов
- Лицензии отдельных моделей могут отличаться от лицензии библиотеки
Платформы и интеграции
Соседи по смыслу
за последний месяц