Docling

核心用法

Docling 是一款开源文档解析 CLI 工具，可将网页、PDF、Word、PPT、图片等复杂格式转换为干净的结构化文本（Markdown/Text/JSON/YAML）。区别于传统 web_fetch，它专为内容解析场景设计，而非单纯抓取原始 HTML。

典型工作流：
1. 网页提取：docling "<URL>" --from html --to md --output /tmp/out
2. PDF OCR：docling "file.pdf" --ocr --device cuda
3. 读取输出目录中的结构化文件

显著优点

• 多格式支持：原生支持 PDF、DOCX、PPTX、HTML、图片、CSV、Excel 等
• GPU 加速：OCR 和 ML 模型支持 CUDA，大幅提升扫描文档处理速度
• 输出灵活：Markdown、纯文本、JSON、YAML 可选，表格提取默认开启
• 本地执行：数据无需上传云端，隐私可控

潜在缺点与局限性

• 环境依赖：需单独安装 docling CLI，GPU 模式依赖 NVIDIA CUDA 驱动
• 资源占用：OCR 和深度学习模型对内存/GPU 显存有要求
• 远程风险：--enable-remote-services 等 flags 可能外泄数据，需谨慎启用
• 输出管理：需手动指定并清理输出目录，无内置临时文件自动回收

适合人群

• 研究人员、数据分析师需批量提取学术论文/报告
• 开发者构建 RAG/LLM 应用，需将非结构化文档转为训练语料
• 自动化工作流中需处理混合格式文档的技术团队

常规风险

• 供应链风险：通过 pipx 安装，依赖 Python 生态包完整性
• 数据泄露：误用 --enable-remote-services 或自定义 headers 可能导致敏感 URL/内容外发
• 路径遍历：--output 参数若未受控，存在目录写入风险（建议限制为 /tmp 等临时目录）