CopoHub Trending

docling-project/docling

Get your documents ready for gen AI

Python · ★ 67,344 · Fork 4,846 · 在 GitHub 查看

在手机上浏览源码、订阅每日 AI 趋势日报与项目架构深度解读:获取 CopoHub 客户端(iOS & HarmonyOS)→

GitHub Trending 上榜记录

docling-project/docling 已在 GitHub Trending 每日榜单上榜 2 天,最高排名第 8,首次上榜 2026-09-19,最近一次上榜 2026-09-20。

日期排名Star当日增长
2026-09-20#867,344+129
2026-09-19#867,000+94

同期上榜的项目

Docling 项目深度剖析与商业评估报告

Docling 项目深度剖析与商业评估报告

1. 核心定位与商业落地价值

Docling 由 IBM Research Zurich 的 AI for Knowledge 团队发起,现已捐赠至 LF AI & Data 基金会,定位为"面向生成式 AI 的文档预处理基础设施"。其根本痛点在于:RAG 与 Agent 系统的检索质量上限往往由文档解析保真度决定。传统 PyPDF2/pdfplumber 只能抽取裸文本,丢失阅读顺序、表格结构、公式与图表语义,导致下游向量检索召回噪声极大。Docling 通过统一的 DoclingDocument 中间表示(IR),将 PDF/DOCX/PPTX/XLSX/HTML/EPUB/音频/视频等异构输入规整为带层级与语义标注的结构化对象。

企业级落地场景: 金融与合规:XBRL 财报、USPTO 专利、JATS 学术论文的 schema 原生支持,可直接对接监管报送与尽调流水线。 制药/法律/国防:本地执行与 air-gapped 部署能力,满足数据不出域的硬性合规要求。 Agentic RAG:原生集成 LangChain、LlamaIndex、Haystack、CrewAI,并通过 MCP Server 暴露为 Agent 工具。

竞争差异化与护城河: 1. 格式广度:竞品(Unstructured.io、LlamaParse、Marker)多聚焦 PDF/Markdown,Docling 覆盖音视频、ODF、Apple Pages、邮件等长尾格式。 2. IBM 背书 + 开源治理:MIT 许可 + LF AI & Data 中立托管,规避了 LlamaParse 等 SaaS 方案的供应商锁定风险。 3. 统一 IR 的生态位:DoclingDocument 类似"文档领域的 ONNX",可同时导出 Markdown/DocTags/JSON/DocLang,具备成为事实标准的潜力。

2. 核心架构设计与技术深度

Docling 采用分层管道(Pipeline)+ 插件式后端架构,核心链路如下:

Input (URL/Path/Bytes) → Format Detection & Backend Router → Per-Format Parser (PDF Backend / MS Office / HTML / ASR) → Layout Analysis (Layout Model) → Reading Order Reconstruction → Table Structure Recognition (TableFormer) → OCR (EasyOCR/Tesseract/RapidOCR) — 按需触发 → DoclingDocument (Unified IR) → Exporter (Markdown / HTML / JSON / DocTags)

查看完整 AI 分析 →

在 README 中展示上榜徽章

GitHub Trending

[![GitHub Trending](https://github.fq6825.top/badge/docling-project/docling.svg)](https://github.fq6825.top/repo/docling-project/docling)