关键词

文档处理文档智能OCRASR信息提取

项目简介

Docling是一个全面的文档智能处理库，旨在简化文档的处理、解析和理解，并与生成式AI生态系统无缝集成。它能够解析各种文档格式，包括PDF、Office文档、HTML、图像和音频，并提供高级的布局理解、光学字符识别（OCR）、自动语音识别（ASR）、视觉语言模型（VLM）集成以及结构化信息提取功能。

为了更好地服务大型语言模型（LLM）客户端，Docling提供了一个MCP（Model Context Protocol）服务器。这个MCP服务器以标准化的方式向LLM客户端提供Docling的文档处理能力，将其封装为LLM可以访问的“资源”（例如已解析的文档内容）和“工具”（例如执行OCR或信息提取的功能），从而实现LLM驱动的智能文档应用。

主要功能点

  • 多格式文档解析： 支持解析多种文档格式，包括PDF、DOCX、PPTX、XLSX、HTML、WAV、MP3、VTT，以及各种图像格式（PNG、TIFF、JPEG等）。
  • 高级PDF理解： 具备深入理解PDF文档的能力，包括页面布局分析、阅读顺序识别、表格结构提取、代码和公式识别、图像分类等。
  • 统一文档表示： 将不同格式的文档内容统一转换为 expressive 的 'DoclingDocument' 格式，便于后续处理和分析。
  • 多种导出格式： 支持将处理后的文档导出为Markdown、HTML、DocTags 和无损JSON等格式。
  • AI集成： 提供与LangChain、LlamaIndex、Crew AI 和 Haystack 等流行AI框架的即插即用集成，加速agentic AI应用的开发。
  • OCR与ASR支持： 为扫描版PDF和图像提供广泛的OCR支持，并为音频文件提供自动语音识别（ASR）功能。
  • VLM集成： 支持多种视觉语言模型，如 GraniteDocling，用于图像和文档的视觉理解。
  • 结构化信息提取： 提供实验性（beta）功能，用于从文档中提取结构化信息。
  • MCP服务器： 核心Docling功能可通过MCP服务器暴露给LLM客户端，支持资源管理、工具调用和Prompt模板。

安装步骤

  1. 准备Python环境： 确保您的系统安装了Python 3.8或更高版本。
  2. 使用pip安装Docling： 打开终端或命令行界面，运行以下命令： 
    pip install docling
  3. （可选）ASR功能注意事项： 如果您计划使用Docling的ASR（自动语音识别）功能，请注意目前Python 3.14版本可能尚未完全支持 Whisper 相关的依赖项。建议使用Python 3.13或更早版本以获得最佳兼容性。

服务器配置 (MCP服务器)

Docling的MCP服务器允许LLM客户端通过标准JSON-RPC协议访问其强大的文档处理能力。MCP客户端需要配置服务器的启动命令和参数，以便能够启动并连接到Docling MCP服务器。

以下是一个MCP客户端配置示例，用于连接Docling MCP服务器：

{
  "name": "Docling MCP Server",
  "command": "python",
  "args": [
    "-m",
    "docling.mcp_server" // 这是一个假设的MCP服务器模块路径。
                         // 用户**必须**查阅Docling的官方文档（如GitHub README中提及的 /usage/mcp/ 页面），
                         // 以获取确切的模块路径和正确的服务器启动方式。
    // 以下是MCP服务器可能支持的启动参数示例，具体请参考官方文档：
    // "--host", "127.0.0.1", // 指定服务器监听的IP地址，默认为本地回环地址
    // "--port", "8080",      // 指定服务器监听的端口，默认为8080或文档指定端口
    // "--log-level", "INFO"  // 指定服务器的日志级别 (DEBUG, INFO, WARNING, ERROR)
    // ... 其他可能的配置参数，例如用于缓存、模型路径或认证的参数。
  ],
  "description": "配置MCP客户端连接Docling服务器，以利用其强大的文档解析、内容提取、OCR、ASR和VLM处理能力。",
  "notes_for_mcp_client": {
    "resources": "Docling MCP服务器将不同类型的文档（如PDF、图片、音频等）作为可访问的“资源”提供。LLM客户端可以通过MCP协议读取这些资源的原始内容、结构化数据或特定元数据，从而获取所需上下文。",
    "tools": "Docling的各种智能处理功能（如文档格式转换、特定信息提取、OCR文本识别、ASR语音转文本）将作为“工具”注册到MCP服务器。LLM客户端可以调用这些工具来按需处理和分析文档内容，扩展LLM的能力边界。",
    "prompts": "如果Docling的VLM或LLM相关功能需要自定义输入格式，MCP服务器也支持定义和渲染Prompt模板。这可以确保LLM客户端能够以最佳方式构造输入，与底层AI模型进行有效交互，从而实现更精细的控制和更准确的结果。"
  }
}

基本使用方法

Docling库提供Python API和命令行接口，用于直接处理文档。当作为MCP服务器运行时，LLM客户端将通过MCP协议调用这些功能。

Python API示例（文档转换）：

from docling.document_converter import DocumentConverter

# 可以是本地文件路径，也可以是URL
source = "https://arxiv.org/pdf/2408.09869" 
converter = DocumentConverter()
# 执行文档转换
result = converter.convert(source)
# 将转换结果导出为Markdown格式并打印
print(result.document.export_to_markdown()) 
# 输出示例: "## Docling Technical Report[...]"

命令行工具示例（快速转换）：

# 将PDF文档转换为默认输出格式（例如Markdown）
docling https://arxiv.org/pdf/2206.01062

命令行工具示例（使用VLM模型）：

# 使用Visual Language Model（VLM）管道和GraniteDocling模型处理PDF文档
docling --pipeline vlm --vlm-model granite_docling https://arxiv.org/pdf/2206.01062

当 Docling 作为 MCP 服务器启动并运行后，LLM 客户端将不再直接执行上述 Python API 或命令行命令，而是通过 JSON-RPC 协议向 Docling MCP 服务器发送请求，以调用其提供的各种文档处理能力。

信息

分类

AI与计算

访问项目