Docling：把 PDF 拆给 AI 吃

点击蓝字 关注我们

因为公众号平台更改了推送规则。记得点下右下角的大拇指“赞”和红心“推荐”。这样每次新文章推送，就会第一时间出现在订阅号列表里。

庖丁解牛，厉害的不是刀快，而是看得懂结构。

别人看到的是一整头牛，庖丁看到的是筋骨、关节和缝隙——所以别人是硬砍，他是顺着纹理下刀。

今天做 AI 知识库，也经常遇到同一头“牛”。

它叫 PDF。

PDF 看着清楚，AI 未必看得懂

人看一份 PDF，很自然：标题是标题，表格是表格，图片说明对应图片。

但机器看到的，可能只是一堆坐标、字体、线条和排版碎片。

结果就是：你以为给 AI 喂了一份技术文档，实际喂进去的是一锅乱炖——

文字顺序乱了，表格变成散装数字，标题层级丢了，页眉页脚混进正文；图片和说明分家，PPT 转出来像碎纸机现场。

这时候，你需要一把“文档处理刀”，先把它拆干净。

这把刀叫 Docling。

Docling 是一个开源文档转换工具，把 PDF、Word、PPT、Excel、HTML、图片等复杂文档，转成 Markdown 或 JSON，方便接入 AI 知识库、RAG、文档问答。

它不是大模型，也不是知识库系统。它做的是在知识库前面先拆文档。

拆的不是随便提取文字，而是尽量判断：哪里是标题、哪里是表格、阅读顺序怎么走、哪些页眉页脚可以忽略。

这就是它“庖丁解牛”的地方——不是切碎，而是顺着结构拆开。

举个例子。测试报告里有一张表：

温度 | 电压 | Fail Rate

低温 | LV | 2%

高温 | HV | 30%

如果解析出了问题，AI读进去，看到的可能是：“电压 Fail Rate 温度 LV 2% 低温 HV 30% 高温”  就会比较费劲。

用 Docling 先转一遍，表格结构、标题层级、段落顺序就能保留下来，后面的检索、总结、问答效果会稳定很多。

很多知识库不好用，不是模型不行，是第一步文档处理就已经歪了。

怎么用？

安装：pip install docling

命令行直接转：docling input.pdf --to md --output output

Python 调用：

from docling.document_converter import DocumentConverter converter = DocumentConverter() result = converter.convert("input.pdf") print(result.document.export_to_markdown())

体验的话命令行就够了；要批量处理或接入自己的 RAG 流程，用 Python API。

Docling 有用，但不是魔法棒。

如果原始 PDF 是扫描件、图片很糊、表格严重跨页、PPT 全靠视觉排版表达逻辑——转换后还是要人工抽查和清洗。

做 AI 知识库，不要只盯着大模型选型。模型再强，也怕吃进去的是乱的。

Docling 解决的就是这个很现实的问题：先把 PDF、PPT、Word 这些复杂文档，拆成 AI 更容易处理的结构化格式。 

< 长按识别二维码添加好友 >

加入上述群聊

长按并关注

带你走进万物存储、万物智能、万物互联信息革命新时代

微信号：SSDFans