Docling - Универсальный парсер документов для AI-разработчиков
Знакома ситуация, когда нужно быстро извлечь структурированные данные из PDF-отчета или презентации? Или подготовить документы для обучения языковой модели? Команда IBM Research Zurich создала Docling — инструмент, который превращает хаос форматов в удобные для AI структуры.
Что умеет Docling?
Проще сказать, чего он НЕ умеет. Это настоящий «швейцарский нож» для работы с документами:
- Поддержка 20+ форматов от PDF до аудиофайлов
- Глубокий анализ PDF с распознаванием таблиц, формул и даже химических структур
- Готовые интеграции с LangChain и LlamaIndex
- Локальное исполнение для работы с конфиденциальными данными
Три главных суперсилы
- Умное чтение PDF Docling понимает не просто текст, а структуру документа — заголовки, списки, таблицы. Например, так можно извлечь данные из финансового отчета:
from docling.document_converter import DocumentConverter
result = DocumentConverter().convert("annual_report.pdf")
print(result.document.tables[0].to_markdown())
-
Работа с мультимедиа Конвертирует аудио в текст через ASR, анализирует изображения через встроенные VLMs (как SmolDocling).
-
Единый формат вывода Все документы преобразуются в унифицированный DoclingDocument, который можно экспортировать в Markdown, HTML или JSON.
Кому пригодится?
- Data Scientists — подготовка датасетов для обучения моделей
- Юристы и аналитики — быстрый анализ сотен документов
- Разработчики AI-агентов — интеграция с LangChain/CrewAI
- Исследователи — обработка научных статей и патентов
Под капотом
Технически проект впечатляет:
- Написано на Python с поддержкой arm64/x86_64
- Использует Pydantic v2 для валидации данных
- Интегрирует лучшие open-source решения для OCR и ASR
- Поддерживает прекоммит хуки и линтеры
Как начать?
Установка — одна команда:
pip install docling
А первый скрипт может выглядеть так:
from docling import DocumentConverter
converter = DocumentConverter()
result = converter.convert("https://arxiv.org/pdf/2408.09869")
print(result.document.export_to_html())
Docling — это не просто очередной парсер. Это мост между «бумажным» миром документов и современными AI-решениями. Если вы работаете с обработкой текстов, таблиц или мультимедиа — стоит попробовать хотя бы для ознакомления.
Проект активно развивается при поддержке LF AI & Data Foundation и уже собрал 35k звезд на GitHub. Что интересно, его можно использовать даже в air-gapped средах — важное преимущество для корпоративного применения.
Ссылки:
