标签 Docling 下的文章

Docling 把 PDF、Word、PPT、Excel 转成结构清楚的 Markdown / JSON，表格与阅读顺序尽量不丢。 做 RAG 的人都知道，脏数据比模型差更致命：PDF 转出来表格变成一堆错位的字符，标题与正文分不开，结果检索永远召不回正确段落。Docling 就是专门解这个问题的：它不只做 OCR，而是识别文档结构（标题、段落、表格、列表、阅读顺序），再输出结构化结果。项目最初来自 IBM Research，现在已是一个独立开源项目。