docling — 纯 Go 文档解析,为 Gen-AI 而生

English | 简体中文

把任何文档喂给你的大模型 —— 纯 Go 单二进制,快 1~2 个数量级,复杂页可挂大模型增强。

docling 将 PDF、Word、PPT、Excel/CSV、HTML、Markdown、AsciiDoc、EML 邮件、图片与纯文本解析为统一的 DoclingDocument 结构化模型(对齐 Docling Core 1.10.0 官方协议),为 RAG 切片、向量化和 Agent 工具链提供开箱即用的文档摄入层。

命名说明:本仓库是 Docling 协议的纯 Go 实现,Go 包名为 docling,与 Python 官方实现共享同一文档模型。

为什么开发这个库

一句话:让任何文档都能被大模型可靠地读懂——不拖一台 Python 模型服务下水。

把文档喂给 LLM/RAG 前,先要回答四个问题:

痛点	docling(Go)的答案
文档格式异构:PDF、Office、网页、邮件、图片各有一套解析栈,拼起来维护成本极高	统一 DoclingDocument 模型:12 种格式一个入口、一套 API,输出对齐官方协议
现有高质方案(Python 模型管线)部署重:Python 服务 + 数 GB 布局/表格模型,批量入库、CI、边缘节点很难落地	纯 Go 单二进制,`go get` 即用,毫秒~秒级解析,零外部服务
全靠模型太贵太慢,全靠规则质量有上限	混合架构:规则引擎保底,扫描件/图片表格/公式密集页按质量信号自动路由给大模型——模型只用在刀刃上
模型转写会"幻觉"改数据,入库结果不可信	不伪造结果:图表数据从文档自带缓存精确还原,规则不确定的内容保留原始信号并明示,而非猜一个

若你的场景是"高保真审阅、扫描件密集",Python 官方 Docling 仍是首选,见下方差距说明。

为什么是 docling(Go)

现代文档解析的主流方案是 Python 模型管线(如 Docling):质量高,但需要 Python 服务、加载布局模型,转换一个文档动辄几十秒。docling(Go)给出另一种工程取舍:

⚡ 快 1~2 个数量级:纯 Go 规则引擎处理文本型文档毫秒到秒级完成(实测见下),批量摄入十万级文档不再需要 GPU 集群
📦 单二进制部署:纯 Go 实现,零 Python/零外部服务,go get 即用;CI、边缘节点、嵌入式场景同样可跑
🧠 现代混合架构:规则引擎覆盖结构化内容,扫描件、图片表格、公式密集页自动按页路由给大模型(OCRHook/PDFVisualHook)——把模型用在刀刃上,而不是每个页面
🔒 不伪造结果:解析器不确定的内容保留原始信号进入视觉回退,而不是猜一个结构
🤝 生态兼容:输出与 Docling 官方协议完全对齐,已有的 Docling 下游工具链无缝衔接

架构创新:一个模型接口,替代五组件识别管线

传统文档解析管线的复杂度来自"专用组件堆叠"——识别、布局、表格、公式、阅读顺序各配一个专用模型/引擎:

能力	传统管线	docling(Go)
文字识别(OCR)	tesseract 等 OCR 引擎	规则层:字体/CMap 恢复;识别类 → 大模型钩子
版面布局	布局模型(如 LayoutLMv3)	规则层:递归 XY-cut 多栏;歧义页 → 大模型钩子
表格结构	表格模型(如 TableFormer)	规则层:坐标网格恢复(含无边框/跨页);图片表格 → 大模型钩子
公式识别	公式模型	规则层:OMML→LaTeX;图片公式 → 大模型钩子
阅读顺序	顺序模型	规则层:栏切分 + 锚点排序

确定性结构交给规则引擎(不需要模型,精确且快),识别类任务全部收敛到一个多模态大模型接口(OCRHook/PDFVisualHook):依赖从"OCR 引擎 + 4 个模型文件"变成"0 个内置模型 + 1 个可选模型接口",部署与升级随之大幅简化——换更强的大模型,整条识别链路一起升级。

架构

架构图右侧的大模型旁路,就是上表全部"识别类"能力的统一接入点。解析器对每页计算质量信号(乱码率、表格候选、公式密度、栏位歧义),只有命中的疑难页才路由给大模型;模型返回结果经强校验与规则文本几何去重合并,失败保留纯 Go 结果——模型只用在刀刃上,增强永远不破坏既有输出。

性能实测

同一台机器、同一批真实 PDF(Apache-2.0 测试样本),docling(Go,无模型)对 Docling 2.x(CPU 模型管线,同进程预热后计时):

文档	docling(Go)	Python Docling(CPU)	加速比
学术论文(141 KB,10 页)	0.31s	10.5s	34×
技术书稿(1.2 MB,图文混排)	0.73s	111.7s	153×

xychart-beta
    title "PDF 转换耗时(秒,越低越好)"
    x-axis ["论文 141KB", "书稿 1.2MB"]
    y-axis "耗时(秒)" 0 --> 120
    bar [10.5, 111.7]
    bar [0.31, 0.73]

柱状序列依次为 Python Docling(CPU 模型管线)与 docling(Go 纯规则)。Python 版耗时包含布局/表格模型推理;Go 版不加载任何模型。

质量取舍请诚实对待:Docling 的模型管线在复杂版面、图片理解上仍是上限;docling(Go)的策略是规则引擎保底 + 关键页大模型增强,两者互补而非互斥。

解析能力对比

能力	docling(纯 Go)	Python Docling	docling + 大模型钩子
文本型 PDF 文字与坐标	✅ 纯 Go	✅	✅
缺 ToUnicode 字体乱码恢复(CJK CMap/嵌入字体)	✅ 纯 Go	✅	✅
表格还原(线框/稀疏无边框/跨页合并)	✅ 纯 Go	✅ 模型	✅(复杂图片表格走视觉)
多栏阅读顺序(递归 XY-cut)	✅ 纯 Go	✅ 模型	✅
扫描件 OCR	➖ 需配置	✅ 内置	✅ OCRHook 接任意模型
图片表格 / 公式密集 / 版面歧义页	➖ 视觉回退	✅ 模型	✅ PDFVisualHook 按页增强
内嵌图片解码(含 JPEG2000/JBIG2/软蒙版)	✅ 纯 Go	✅	✅
DOCX/PPTX/XLSX 批注·公式·修订·图表·SmartArt	✅ 纯 Go	⚠️ 部分	✅
输出协议	✅ Docling 1.10 官方 JSON	✅ 官方	✅
部署形态	单二进制	Python 服务 + 模型文件	单二进制 + 模型 API

输入格式对比

输入格式	docling(Go)	Python Docling
PDF	✅	✅
Word (DOCX)	✅	✅
PPT (PPTX)	✅	✅
Excel (XLSX) / CSV	✅	✅
HTML	✅	✅
Markdown	✅	✅
AsciiDoc	✅	❌
EML 邮件	✅	✅(另支持 MSG)
图片 PNG/JPEG/BMP/WEBP	✅	✅(另支持 TIFF)
纯文本	✅	✅
Docling JSON(回读)	✅	✅
音频转写(WAV/MP3 ASR)	❌ 规划中	✅
EPUB / Apple Pages	❌ 规划中	✅
XML(XBRL/JATS/USPTO)/ usda	❌ 规划中	✅
LaTeX	❌ 规划中	✅
ZIP 压缩包	❌	✅

输出格式对比

输出格式	docling(Go)	Python Docling
Markdown	✅	✅
HTML	✅	✅
DoclingDocument JSON(无损)	✅	✅
content_list(检索扁平内容列表)	✅	⚠️ 类似能力
层级分块(Hierarchical / Hybrid)	✅	✅
知识库分块(长度/表格/多模态策略)	✅	❌
DocTags	❌ 规划中	✅
纯文本	✅	✅
WebVTT(音频字幕)	❌	✅

支持的格式

格式	入口函数	说明
按扩展名自动分发	`ParseByExt` / `ParseByExtWithOptions`	不知道格式时的首选入口;自动补齐文档名、MIME、SHA-256 哈希与 origin
PDF	`ParsePDF` / `ParsePDFWithOptions`	坐标归一化、词/行 bbox、字体恢复、内嵌位图、表格、跨页续表、递归 XY-cut;可选 Poppler、OCR 与视觉 Hook
Word	`ParseDocx`	Transitional/Strict OOXML、批注回复链、脚注/尾注、修订与域、OMML 公式、图表与 SmartArt/OLE
PPT	`ParsePPTX`	notes、批注回复链、母版回退、组合元素、图表与复杂 Office 对象
Excel / CSV	`ParseXLSX` / `ParseCSV`	隐藏表、threaded comments、原始公式、透视表、图表工作表
HTML	`ParseHTML`	furniture、平铺标题、图片占位、富表格
Markdown	`ParseMarkdown`	平铺标题、图片占位、GFM 表格
AsciiDoc	`ParseAsciiDoc`	标题树、列表、字面/源码块
EML 邮件	`ParseEML`	RFC 5322 头、正文择优、常见字符集、附件名称
图片	`ParseImage`	PNG/JPEG/BMP/WEBP;配置 OCR 后追加识别结构
纯文本	`ParseText`	BOM 与控制字符清理
Docling JSON	`ParseDoclingDocument`	解析 Docling 服务输出的 JSON

快速上手

go get github.com/unitedrhino/docling

// 一行完成"解析 → Markdown"
md, err := docling.ParseByExtToMarkdown("报告.pdf", data)

// 或分步:拿到结构化模型再消费
doc, err := docling.ParseByExt("报告.docx", data)
items := docling.ToContentList(doc, docling.SourceGolight) // RAG 切片用扁平内容
chunks := docling.HierarchicalChunks(doc)                   // 官方语义层级分块
md := doc.ToMarkdown()
html := doc.ToHTML()

挂载大模型:现代混合解析

doc, err := docling.ParsePDFWithOptions(data, docling.PDFOptions{
    GarbageThreshold: 0.4, // 乱码率超过该值的页触发 OCR
    OCRHook: func(req docling.OCRRequest) (string, error) {
        return myLLMOCR(req) // 接任意 OCR / 多模态模型
    },
    VisualHook: func(req docling.PDFVisualRequest) (docling.PDFVisualResult, error) {
        // req.Prompt 是内置的严格 JSON 提示词;把多模态模型返回解码即可。
        return myStructuredVision(req)
    },
    MaxVisualPages: 20,
})

组件对钩子返回值做强校验(标签、置信度、bbox、表格拓扑、防拒答/防复读),无效结果自动重试一次;有效结果与规则文本按几何去重合并,失败则保留纯 Go 结果——模型增强永远不破坏既有输出。

命令行工具(CLI)

不想写代码?开箱即用的 docling 命令(同为纯 Go 单二进制):

go install github.com/unitedrhino/docling/cmd/docling@latest

# 渐进式:先看结构地图(章节树/表格/图片,几百字节)
docling parse report.pdf --format outline
# 通读全文,或按章节精取
docling parse report.pdf --format md
docling parse report.pdf --format md --section 第四章
# 无损 JSON 落盘,查询交给 jq
docling parse report.xlsx --format json --out doc.json
# excel 公式溯源:列出所有公式单元格(值,公式)
jq -r '.texts[] | select(.meta.docling__xlsx_formula) | [.text, .meta.docling__xlsx_formula] | @tsv' doc.json
# 反查哪个表格单元格引用了公式节点 #/texts/3
jq '.tables[].data.table_cells[] | select(.ref."$ref" == "#/texts/3")' doc.json

大模型 OCR(可选)

OPENAI_API_KEY=sk-xxx docling parse scan.pdf --format md --ocr
# 更多:OPENAI_BASE_URL(自定义网关)、DOCLING_OCR_MODEL(模型名,默认 gpt-4o)、--ocr-max-pages(页数预算)

--ocr 同时挂载逐字 OCR 与结构化视觉两个钩子:扫描页/乱码页/图片表格/公式密集页自动送模型,识别失败自动回退纯 Go 结果,页数预算防失控。任意 OpenAI 兼容多模态模型(vLLM、GLM、Qwen-VL 等)均可使用。

examples:成果示例(原文 ↔ 识别后的 Markdown)

examples/ 为每种受支持格式提供"样例源文件 ↔ Markdown 期望输出"的成对对照。以下全部展示真实世界文档的实际识别结果:

Word · 微软官方测试文档(6 个原生图表)

真实 Office 生成的多系列柱状图/折线图文档(微软 Open XML SDK 官方测试资产,MIT 授权):

识别后的 Markdown(节选):图表数据按系列精确还原为可检索表格,缺失单元格如实留空,并附 SVG 语义预览:

| 类别 | Series 1 | Series 2 | Series 3 |
| --- | --- | --- | --- |
| Category 1 | 4.3 | 2.4 | 2 |
| Category 2 | 2.5 | 4.4 |  |
| Category 3 | 3.5 | 1.8 | 3 |
| Category 4 | 4.5 | 2.8 | 5 |

PPT · 微软官方演示(3D 饼图)

识别后的 Markdown(节选):3D 饼图的季度数据完整还原:

| 类别 | Sales |
| --- | --- |
| 1st Qtr | 8.2 |
| 2nd Qtr | 3.2 |
| 3rd Qtr | 1.4 |
| 4th Qtr | 1.2 |

Excel · 微软官方工作簿(OLE 嵌入对象)

工作簿中的 OLE 嵌入对象按语义分类记录(目标路径、程序标识入 meta,载荷不执行)。

PDF · 真实学术论文(196 页 + 双栏会议论文)

识别后的 Markdown(节选;两份论文 200+ 页纯 Go 解析约 30 秒):

## Evaluating the GO

## Programming Language with

## Design Patterns

by

### Frank Schmager

A thesis
submitted to the Victoria University of Wellington
in partial fulfilment of the requirements for the degree of
Master of Science in Computer Science.

### Abstract

GO is a new object-oriented programming language developed at Google
by Rob Pike, Ken Thompson, and others. ...

右侧的 10 页双栏会议论文(gohotdraw-paper.pdf)展示双栏阅读顺序还原。

TXT / CSV / EML · 真实文本类文档

《汤姆·索亚历险记》全书(380KB)、x86 指令集表(3700+ 行)、CPython 标准库的真实 MIME 退信邮件:

# Banned file: auto__mail.python.bat in mail from you

From: MAILER DAEMON <>

To: <webmaster@python.org>

Date: Fri, 26 Nov 2004 19:41:44 -0800 (PST)

BANNED FILENAME ALERT

Your message to: xxxxxxx@dot.ca.gov, ...
was blocked by our Spam Firewall. The email you sent with the following
subject has NOT BEEN DELIVERED:

邮件头、multipart 正文择优、收件人列表逐项还原;CSV 表与长文本按原样结构化。

构造样例(rich-*)

对 SmartArt、OMML 公式、艺术字、组合图等复杂对象提供确定性对照(代码构造、可再生产):公式转 LaTeX({E}^{2}=mc)、SmartArt 流程转语义 SVG 且节点文字进入可检索 caption、组合图按系列类型分列渲染——见 examples/ 与 examples/README.md。

各格式真实样例总览

格式	真实样本	来源
PDF	196 页硕士论文 + 10 页双栏会议论文	Victoria University of Wellington(公开论文)
Word	含 6 个原生图表的官方测试文档	微软 Open XML SDK 测试资产(MIT)
PPT	含 3D 饼图的官方测试演示	微软 Open XML SDK 测试资产(MIT)
Excel	含 OLE 嵌入对象的工作簿	微软 Open XML SDK 测试资产(MIT)
EML	真实 MIME 多段退信邮件	CPython 标准库测试数据(PSF 授权)
纯文本	《汤姆·索亚历险记》全书(380KB)	公版书(pdfcpu testdata)
CSV	x86 指令集描述表(3700+ 行)	golang.org/x/arch
Markdown	goldmark 项目 README	yuin/goldmark(MIT)
AsciiDoc	lzip-go 项目 CHANGELOG	sorairolake/lzip-go(CC-BY-4.0)
HTML	Go net/http 包文档页(godoc)	Go 官方文档快照

亲自跑一遍(无需任何外部服务)

git clone https://github.com/unitedrhino/docling
cd docling
go test ./... -run TestExamplesGolden -v   # 全部样例逐字回归,含上方复杂对象样例

或在你的代码里直接解析复杂样例:

// go get github.com/unitedrhino/docling
data, _ := os.ReadFile("examples/docx/rich.docx")
md, err := docling.ParseByExtToMarkdown("rich.docx", data)
fmt.Println(md) // 公式 LaTeX、SmartArt 流程 SVG、艺术字与 OLE 分类一目了然

与 anydoc 的对比(Firecrawl 的 Rust 转换库)

anydoc(Rust,MIT,1.7 万 Star)与 docling 同属"文档 → LLM 就绪数据"这一层,但取舍不同——anydoc 把转换层做到极简极快(14 种格式 → GFM Markdown,中位 4.4ms,无模型无外部服务,扫描 PDF 直接报错 Unsupported);docling 走结构化深度 + RAG 完整度路线:

维度	anydoc(Rust)	docling(Go)
定位	纯转换层:不做 OCR/chunking/图表语义	转换 + 结构化 + RAG 分块,一站到检索
格式	14 种(强在旧二进制 .doc/.ppt/.xls、ODF、RTF、EPUB)	12 种(强在 HTML、Markdown、AsciiDoc、EML 邮件、图片、Docling JSON 回读)
输出	仅 GFM Markdown	Markdown / HTML / Docling JSON(无损)/ content_list + 三种分块器
PDF 深度	文本型直接提取;扫描件返回 Unsupported(OCR 走 Firecrawl 托管 API)	文本型深度解析(跨页表格/多栏/字体乱码恢复/JPEG2000-JBIG2-软蒙版);扫描页可挂自部署大模型钩子
图表	不解析图表语义	OOXML 图表数据回填为可检索表格 + SVG 预览
速度	中位 4.4ms(Office 文档,浅转换)	论文 0.31s / 书稿 0.73s(深度解析口径,比 Python Docling 快 34~153 倍)
失败哲学	正确转换或大声失败(明确报错)	不伪造结果(缺失单元格留空、不确定保留原始信号)

速度口径提示:4.4ms 与 0.31s 不可直接对轰——前者是 Office 文档浅转换,后者是 PDF 深度解析(表格结构/阅读顺序/字体恢复)。两者哲学相近(明确失败优于静默污染),选型看你要"最快拿到干净 Markdown"还是"结构化深度 + RAG 就绪"。旧版二进制 Office(.doc/.ppt/.xls)、ODF、RTF、EPUB 在 docling 路线图中。

与 Python Docling 的差距(如实说明)

本仓库是 Docling 协议的 Go 实现,与 Python 官方版是互补关系而非等价替代。协议层与 Docling Core 1.10.0 完全对齐、可无损往返官方 JSON,分块语义对齐官方 HierarchicalChunker/HybridChunker;但解析质量层面存在明确差距:

我们领先的(纯 Go 规则引擎的优势)

速度与部署:文本型文档快 34~153 倍,单二进制零依赖;官方版需要 Python 服务与模型文件(布局/表格/公式模型动辄数 GB)
Office 结构化深度:批注回复链、修订记录、OMML 公式、原始公式与透视表语义、SmartArt/艺术字/OLE 分类——官方版对 Office 的覆盖相对有限(如修订与部分图表语义不还原)
文档内图表数据:OOXML 图表的缓存数据与公式区域回填为可检索表格;官方版图表理解走视觉模型,数据精度依赖模型
额外输出:content_list 检索列表与知识库分块策略为 RAG 场景定制,官方版无对应物

官方版领先的(模型管线的能力上限)

扫描件与图片型文档:官方版内置 OCR 模型管线开箱即用;我们未配置 OCRHook 时对纯扫描页无法产出文字(实测 mountain/VectorApple 等图片型 PDF 只能输出图片资产)
复杂版面理解:像素级布局分割、非矩形版面、旋转扫描页(实测 ITU-T.81 标准封面为旋转扫描,需配置 PDFVisualHook 才能按正确方向读取)——官方模型管线原生处理
图片内表格/公式:官方 TableFormer 模型可直接识别图片表格;我们依赖 VisualHook 按页路由,未配置时保留几何信号不猜结果
输入覆盖:音频 ASR、EPUB、Apple Pages、XML 系列(XBRL/JATS/USPTO)、LaTeX 等官方版已支持,我们规划中
极端字体文档:嵌入 CID-keyed CFF 且无映射、加密字体等无法证明字符含义的情况,官方视觉模型仍可"认出"文字,我们保留替换符

何时选谁

场景	建议
批量文本型文档入库、RAG 切片、CI/边缘部署	docling(Go):毫秒级、零依赖
高保真审阅、扫描件密集、图片表格/公式密集	Python Docling,或 docling(Go)+ 大模型钩子
两者都要	双引擎并用:Go 做基线与路由,Python/模型做疑难页增强

一句话:规则能确定的结构我们用纯 Go 做到极致;规则不确定的,我们诚实回退并留好模型接入点,而不是猜一个结果。

目录结构

docling/
├── docling.go          # 门面:Item、ParseByExt、ParseByExtToMarkdown
├── doclingserve.go      # Docling 服务解析(可选第二引擎)
├── export*.go           # Markdown / HTML 导出
├── contentlist.go       # ToContentList(RAG 内容列表)
├── chunker.go hybrid_chunker.go content_chunk.go # 三种分块策略
├── pdf*.go              # PDF:文本/布局/表格/视觉路由/图片编排
├── docx*.go pptx.go sheet.go # Word / PPT / Excel 解析
├── html.go markdown.go asciidoc.go eml.go image.go text.go table.go
├── internal/pdfenc/     # PDF 字节编码层:ToUnicode/CMap/SFNT 恢复、JPX/JBIG2 解码、软蒙版 alpha
├── internal/ooxml/      # Strict OOXML → Transitional 归一化
├── examples/            # 各格式样例源文件 ↔ Markdown 期望输出对照集
└── *_test.go            # 单元/端到端/官方 schema 验收测试

依赖与致谢

pdfcpu(Apache-2.0)— PDF 像素解码基础
excelize(BSD-3-Clause)— XLSX 读写与图表公式回填
ledongthuc/pdf(MIT)— PDF 文本坐标基础
go-jpeg2000(Apache-2.0)— 纯 Go JPEG 2000 解码
gobig2(Apache-2.0)— 纯 Go JBIG2 解码
goldmark(MIT)、golang.org/x/net、golang.org/x/text、golang.org/x/image
Docling(MIT)— 输出协议与分块语义的参考实现

社区与共建

欢迎通过任意方式参与共建:

提 Issue / PR:本仓库
扫码关注公众号,获取版本更新与文档解析实践分享,一起共建:

License

MIT

Name		Name	Last commit message	Last commit date
assets		assets
cli		cli
cmd/docling		cmd/docling
examples		examples
internal		internal
llmocr		llmocr
.gitignore		.gitignore
LICENSE		LICENSE
README.md		README.md
README_EN.md		README_EN.md
asciidoc.go		asciidoc.go
asciidoc_test.go		asciidoc_test.go
bench_test.go		bench_test.go
chunker.go		chunker.go
chunker_test.go		chunker_test.go
content_chunk.go		content_chunk.go
content_chunk_test.go		content_chunk_test.go
contentlist.go		contentlist.go
contentlist_test.go		contentlist_test.go
docling.go		docling.go
docling_document.go		docling_document.go
docling_document_test.go		docling_document_test.go
docling_schema_compat_test.go		docling_schema_compat_test.go
docling_test.go		docling_test.go
doclingserve.go		doclingserve.go
docx.go		docx.go
docx_omml.go		docx_omml.go
docx_test.go		docx_test.go
dualrun_test.go		dualrun_test.go
eml.go		eml.go
eml_test.go		eml_test.go
examples_rich_test.go		examples_rich_test.go
examples_test.go		examples_test.go
export.go		export.go
export_html.go		export_html.go
export_html_test.go		export_html_test.go
export_test.go		export_test.go
go.mod		go.mod
go.sum		go.sum
html.go		html.go
html_test.go		html_test.go
hybrid_chunker.go		hybrid_chunker.go
image.go		image.go
image_test.go		image_test.go
markdown.go		markdown.go
markdown_test.go		markdown_test.go
media.go		media.go
media_test.go		media_test.go
ocr.go		ocr.go
ocr_test.go		ocr_test.go
office_collaboration_test.go		office_collaboration_test.go
office_comment.go		office_comment.go
office_object.go		office_object.go
office_object_render.go		office_object_render.go
office_object_test.go		office_object_test.go
official_schema_validation_test.go		official_schema_validation_test.go
ooxml_chart.go		ooxml_chart.go
ooxml_chart_data.go		ooxml_chart_data.go
ooxml_chart_render.go		ooxml_chart_render.go
ooxml_chart_test.go		ooxml_chart_test.go
ooxml_strict_test.go		ooxml_strict_test.go
pdf.go		pdf.go
pdf_image.go		pdf_image.go
pdf_image_codecs.go		pdf_image_codecs.go
pdf_image_test.go		pdf_image_test.go
pdf_layout.go		pdf_layout.go
pdf_layout_test.go		pdf_layout_test.go
pdf_poppler.go		pdf_poppler.go
pdf_poppler_test.go		pdf_poppler_test.go
pdf_smask.go		pdf_smask.go
pdf_table.go		pdf_table.go
pdf_table_test.go		pdf_table_test.go
pdf_test.go		pdf_test.go
pdf_unicode_recover.go		pdf_unicode_recover.go
pdf_unicode_test.go		pdf_unicode_test.go
pdf_visual.go		pdf_visual.go
pdf_visual_test.go		pdf_visual_test.go
pptx.go		pptx.go
pptx_test.go		pptx_test.go
sheet.go		sheet.go
sheet_test.go		sheet_test.go
table.go		table.go
table_test.go		table_test.go
text.go		text.go
xlsx_collaboration.go		xlsx_collaboration.go

Navigation Menu

Repository files navigation

docling — 纯 Go 文档解析,为 Gen-AI 而生

为什么开发这个库

为什么是 docling(Go)

架构创新:一个模型接口,替代五组件识别管线

架构

性能实测

解析能力对比

输入格式对比

输出格式对比

支持的格式

快速上手

挂载大模型:现代混合解析

命令行工具(CLI)

大模型 OCR(可选)

examples:成果示例(原文 ↔ 识别后的 Markdown)

Word · 微软官方测试文档(6 个原生图表)

PPT · 微软官方演示(3D 饼图)

Excel · 微软官方工作簿(OLE 嵌入对象)

PDF · 真实学术论文(196 页 + 双栏会议论文)

TXT / CSV / EML · 真实文本类文档

构造样例(rich-*)

各格式真实样例总览

亲自跑一遍(无需任何外部服务)

与 anydoc 的对比(Firecrawl 的 Rust 转换库)

与 Python Docling 的差距(如实说明)

我们领先的(纯 Go 规则引擎的优势)

官方版领先的(模型管线的能力上限)

何时选谁

目录结构

依赖与致谢

社区与共建

License

About

Releases

Packages

Contributors

Languages

Latest commit

History

Folders and files

Repository files navigation

docling — 纯 Go 文档解析,为 Gen-AI 而生

为什么开发这个库

为什么是 docling(Go)

架构创新:一个模型接口,替代五组件识别管线

架构

性能实测

解析能力对比

输入格式对比

输出格式对比

支持的格式

快速上手

挂载大模型:现代混合解析

命令行工具(CLI)

大模型 OCR(可选)

examples:成果示例(原文 ↔ 识别后的 Markdown)

Word · 微软官方测试文档(6 个原生图表)

PPT · 微软官方演示(3D 饼图)

Excel · 微软官方工作簿(OLE 嵌入对象)

PDF · 真实学术论文(196 页 + 双栏会议论文)

TXT / CSV / EML · 真实文本类文档

构造样例(rich-*)

各格式真实样例总览

亲自跑一遍(无需任何外部服务)

与 anydoc 的对比(Firecrawl 的 Rust 转换库)

与 Python Docling 的差距(如实说明)

我们领先的(纯 Go 规则引擎的优势)

官方版领先的(模型管线的能力上限)

何时选谁

目录结构

依赖与致谢

社区与共建

License

About

Topics

Resources

Stars

Watchers

Forks

Releases

Packages

Contributors

Languages