Docling：把文档喂给大模型前的预处理神器

把 PDF、Word、Excel 直接丢给大模型，经常丢格式、乱表格、漏图片。Docling 是 IBM 开源的文档预处理工具，把各种格式的文档解析成结构化 Markdown，保留标题层级、表格、图片位置，让 LLM 能准确理解文档内容。支持 PDF、DOCX、PPTX、HTML 等主流格式，输出干净的结构化文本。RAG 流水线里加这一步，准确率大幅提升。

GitHub：docling-project/docling ⭐ 62k

核心亮点

• 支持 PDF、DOCX、PPTX、HTML 等多种格式统一解析
• 保留表格结构、标题层级、图片位置，输出干净 Markdown
• OCR 支持扫描版 PDF，图文混排也能识别
• Python 库 + CLI，轻松接入 RAG 流水线

适用场景

构建企业知识库 RAG 时预处理文档；批量转换 PDF 为结构化文本；大模型无法直接读取的复杂格式文档预处理。