Docling
IBM开源的文档解析框架，能对PDF进行深度结构化理解，支持识别表格结构、图表、标题层级和页面布局，输出Markdown、JSON等结构化格式，内置LayoutLM系列布局检测和表格识别AI模型
核心事实
时间轴 (近 90 天)
Docling 内置版面分析、表格结构识别、阅读顺序还原与 OCR 能力，并可对接 LangChain、LlamaIndex 等生态。
ContextGem 1.0 集成 Docling 用于文件解析，并提供面向 Agent 的工具。
Agentic GraphRAG的知识层使用Docling进行文档摄入，使用Chonkie进行分块，分块时保留文档章节结构、表格和段落层级，PDF还会记录页码位置。
Docling（IBM）使用ML布局+表格模型，擅长复杂布局和多格式，但安装重、需下载模型，License为MIT。
即便使用text策略，跨行合并单元格、嵌套表头仍会出错，生产中通常需要人工抽检或回退到ML表格模型（如Docling的TableFormer）。
若PDF有文本层，基于pdfminer.six/pdfplumber的布局感知规则方案轻量、确定性强、运行成本低；若为扫描件或高度视觉化文档，则需要OCR或ML管道（Docling、Marker、MinerU），代价是算力开销。
相比 PyPDF2、pdfplumber 等纯文本抽取工具，Docling 保留了语义结构信息，因此适合构建自定义 AST 布局解析器。
Docling 是 IBM 开源的本地文档解析库，支持 PDF、Word、HTML 等格式，侧重于将文档转换为结构化的 JSON/Markdown
降低图像渲染 DPI 可显著减少 Docling 布局分析时的内存占用
关闭表格结构提取和禁用 OCR 可减轻 Docling 的内存压力，这两项通常是内存大户
还有 4 条时间轴事件
全部知识事实 (15)
Docling由IBM Research开发，提供统一的文档理解框架，支持多种输入格式
75%已验证Docling 是 IBM 开源的本地文档解析库，支持 PDF、Word、HTML 等格式，侧重于将文档转换为结构化的 JSON/Markdown
65%待验证Docling由IBM开源，提供了完整的文档理解管线
70%待验证Docling 内置版面分析、表格结构识别、阅读顺序还原与 OCR 能力，并可对接 LangChain、LlamaIndex 等生态。
50%待验证ContextGem 1.0 集成 Docling 用于文件解析，并提供面向 Agent 的工具。
50%待验证Agentic GraphRAG的知识层使用Docling进行文档摄入，使用Chonkie进行分块，分块时保留文档章节结构、表格和段落层级，PDF还会记录页码位置。
50%待验证即便使用text策略，跨行合并单元格、嵌套表头仍会出错，生产中通常需要人工抽检或回退到ML表格模型（如Docling的TableFormer）。
50%待验证Docling（IBM）使用ML布局+表格模型，擅长复杂布局和多格式，但安装重、需下载模型，License为MIT。
50%待验证若PDF有文本层，基于pdfminer.six/pdfplumber的布局感知规则方案轻量、确定性强、运行成本低；若为扫描件或高度视觉化文档，则需要OCR或ML管道（Docling、Marker、MinerU），代价是算力开销。
50%待验证相比 PyPDF2、pdfplumber 等纯文本抽取工具，Docling 保留了语义结构信息，因此适合构建自定义 AST 布局解析器。
50%待验证Docling 不仅提取文本，还能识别表格结构、图表、标题层级和页面布局，并将结果输出为结构化格式（如 Markdown、JSON）
50%待验证降低图像渲染 DPI 可显著减少 Docling 布局分析时的内存占用
50%待验证关闭表格结构提取和禁用 OCR 可减轻 Docling 的内存压力，这两项通常是内存大户
50%待验证Docling 解析 PDF 的总体峰值内存轻易达到 4-6GB
50%待验证Docling 依赖布局检测模型（LayoutLM 系列）和表格识别模型，这些模型在首次运行时需要加载进内存
50%