Docling 是一个开源的文档解析工具，装在自己电脑上跑，能把 PDF、Word、PPT、Excel、网页、扫描件乃至录音里的内容拆成带结构的文本，再导出成 Markdown、HTML 或无损 JSON。它最早由 IBM 研究院的团队发起，现由 LF AI & Data 基金会托管，采用 MIT 许可。2026 年 11 月 10 日发布的 2.150.0，把 iXBRL 财报也纳进了输入格式。

先认版面，再抽字

多数转换工具走的是抽字路线：把 PDF 里的文字流按顺序拉出来，拼成一段。Docling 反过来，先认版面。版面模型判断这一页有哪些区域——页眉、页脚、正文段落、列表、代码块、表格、图片、公式，各自边界在哪，然后再排阅读顺序。

双栏论文最能说明差别。按坐标从上往下扫，左右栏的句子会互相穿插；按阅读顺序排，先读完左栏再读右栏，句子才连得上。这个顺序被写进统一的文档模型，后面导出 Markdown 时直接照抄，不用重新猜一遍。

扫描件是另一条路径。整页都是图的时候没有文字流可抽，得走识别。它会先判断这一页有没有可用的文字层，没有才启 OCR；识别引擎可以换，也能挂视觉模型去读版面。模型下载一次，之后都在本机跑。

表格进去，还是表格出来

表格是 PDF 转换最容易翻车的地方。行列一旦被拍平成一行数字，检索和阅读都失去意义。Docling 用表格结构模型把单元格边界认回来，行、列、多层表头按原样保留，跨行跨列的合并单元格也不算丢。表标题不会散在正文里，它跟着表走。

公式同理。行内公式与独立公式被识别成 LaTeX，而不是一串错位的字形。图片单独抽出来，附上它在页面上的坐标、原图注，还有一个内容分类——这张图是折线图、饼图还是照片，模型会给判断。

2.150 这一版改了什么

11 月的版本节奏很密，11 月 3 日到 10 日之间连发了几个版本，改动集中在输入面和抽取控制上。

iXBRL 输入

财报里带内联标签的 XBRL 格式，此前只能当普通网页读，标签里的财务事实会掉；2.150.0 支持直接读入，还能按远程地址解析分类标准。

内嵌图片抽取

PDF 里嵌着的图片改成按需打开，默认不落地，省掉一批不必要的磁盘写入。

命令行重排

批量转一个目录时参数更直观，输出格式可以一次指定多个。

离线是设计前提，不是附加功能

Docling 默认不联外网：模型第一次下载后缓存在本地，之后转换全程离线，不上传、不注册账号、不调远端接口。处理合同、财报、病历这类材料的人，这一条往往决定能不能用——文件不出本机，合规上就少一层解释。

同一套管线能换跑法。本地跑通之后，相同的文档模型和配置可以搬到局域网内的服务里，业务代码几乎不用改；再往上才是商业托管。对个人和小团队来说，前两档已经够用。

转完之后能接什么

输出比输入更宽。结构化走 JSON，人读走 Markdown、HTML、纯文本；给检索用则直接切成分块——按章节和表格边界切，不是按固定字符数硬切，每个分块带着页码和版心坐标，答案能指回原文的具体位置。

它还有个 MCP 服务端，智能体可以把「读文档」当成一次带类型的工具调用，而不是把 PDF 字节丢给模型去猜。LangChain、LlamaIndex 这类框架里也有现成的接入方式。

能读进来的东西比想象中杂。除了一串 Office 格式和 EPUB，邮件、日历、字幕文件都在支持列表里，录音与视频也能转成同一个文档模型——转写一次，后面按同一套结构取用。

如果只是把一份 PDF 转成文字，随手一个在线工具就能做。Docling 值得留下的理由是另一半：表格还是表格，公式还是 LaTeX，图注跟着图走，双栏不会读串行。这些结构在转换时保住，后面做检索、做知识库、喂给模型时，才不用重新猜一遍。