转换示例
转换示例
from docling.document_converter import DocumentConverter
converter = DocumentConverter()
result = converter.convert("report.pdf")
md = result.document.export_to_markdown()
print(md[:300])统一入口适合格式杂乱的语料库；对特定格式（如纯 HTML）仍可搭配更轻的专用解析器。
本包目录（229 条）
架构与流程30 条
解析与切分33 条
- 递归字符切分
- PyMuPDF 提取 PDF 文本与坐标
- pdfplumber 提取文本与表格
- Tesseract OCR 识别扫描件
- 按 Markdown 标题结构切分
- 按 Token 数切分
- 文档解析工具速查对比
- Camelot 提取 PDF 表格
- PaddleOCR 中文识别与版面分析
- trafilatura 抽取正文
- 四种切分策略对比与选型
- python-docx 解析 Word 文档
- 父子切片（小块检索、大块生成）
- Marker 把 PDF 转成 Markdown
- Unstructured 统一分区解析
- Pandoc 多格式文档互转
- 多栏 PDF 的阅读顺序处理
- 语义切分（按主题跳变）
- 切片重叠（overlap）的取值
- MinerU 结构化解析 PDF
- BeautifulSoup 解析 HTML 结构
- 入库前的文本清洗与规整
- 固定长度切分（基线策略）
- 表格切片：整表或按行成记录
- Docling 统一文档转换
- openpyxl 解析 Excel 数据
- 解析质量抽检与指标
- 句子窗口切分
- 切片保留引文定位信息
- Markdown 解析为结构化 token
- python-pptx 解析演示文稿
- LlamaIndex 节点切分器
- readability-lxml 抽取正文
Docling 统一文档转换
Docling 支持 PDF、DOCX、PPTX、HTML 等多种格式统一转成结构化文档与 Markdown，便于构建一致的解析流水线，减少多格式分别处理的分支。
易错点
- 不同格式的转换质量不一致，复杂表格导出 Markdown 后要抽样比对
- 大批量转换注意内存与并发，先小批量验证再放大
数据来源与参考
- Docling 官方文档（docling-project.github.io/docling）