为何收录
论文交给检索系统或大模型之前，先要把 PDF 变成机器可读的文本，这一步的错误会一路传到下游。双栏论文若按行横向拼接，左右两栏的句子会交错；表格若被压成一串数字，行列关系就丢了；页眉、页码混进正文，又会干扰切分和检索。Docling 的做法是先识别页面版式，再把内容装进统一的 DoclingDocument 结构，标题、段落、列表、表格、图片、公式各有类型和层级。按 docling-models 模型卡的介绍，版式模型在页面图像中识别标题、章节标题、正文、表格、公式、脚注、图注、页眉页脚等区域，TableFormer 模型再从表格图像中识别行列结构。对要给文献库建索引、做论文问答或批量抽取表格的研究者，它提供一个能在本机运行、可用 Python 或命令行调用的解析环节，处理未公开的数据时不必把文件上传到外部服务。除 PDF 外，它也能直接读取 LaTeX 源文件和 JATS 格式的期刊论文 XML，这两类来源本身带有章节和标记信息。README 建议使用者在论文中引用 Docling Technical Report（arXiv:2408.09869）。
用置信度筛查解析质量
批量处理几百篇 PDF 时，难点在于知道哪些结果不能直接用。Docling 自 v2.34.0 起在转换结果的 confidence 字段给出置信度报告，包含版式、OCR 和数字文本解析三个分项（表格分项尚未实现），以及汇总的 mean_grade 和反映最差部分的 low_grade，等级分为 POOR、FAIR、GOOD、EXCELLENT 四档。官方建议依据文档级等级而不是具体分数做判断，因为分数的计算方式今后可能调整。v2.139.0 起报告带有逐页明细，可以把等级偏低的页面挑出来人工复核，或换用 OCR、视觉语言模型流水线重跑。需要注意，这些等级是程序对自身结果的估计，不等于与人工标注比对得到的准确率。
Docling 官方文档“置信度”一节的示例图，展示一次转换结果中的置信度报告。图片：Docling 项目，来源 docling-project/docling 仓库（docs/assets/confidence_scores.png），许可 MIT。
局限与注意事项
- 元数据与参考文献：Docling 目前不提取论文的题名、作者和参考文献条目，官方把“元数据提取（含标题、作者、参考文献和语言）”列为即将推出的功能。需要结构化引文时，仍要另配专门的引文解析工具。
- 标题层级：PDF 的标题默认输出为同一级，按书签、编号和字体恢复层级是需要手动开启的选项。
- 模型与许可：MIT 只覆盖代码，默认模型、可选 OCR 引擎和视觉语言模型各有许可；复杂化学结构的理解也还在计划中。扫描件和公式的识别效果取决于所选引擎，本文没有测试。
- 数据外发：远程语音识别、远程视觉语言模型等选项会把文件内容发到外部服务器。处理受伦理审查或保密协议约束的材料时，应只用本地模型，不开启
enable_remote_services。 - 版本变动：项目发版频繁，阅读顺序等核心算法近期仍在调整，同一份 PDF 在不同版本下的输出可能不同。用于需要复现的数据处理时，宜锁定版本号并记录转换参数。
想先确认是否合用，可以做一个小规模验收（这是建议，本文未执行）：挑 5 篇本领域的论文 PDF，其中双栏排版、含复杂表格和扫描版各至少一篇，用默认流水线转成 Markdown，逐篇对照原文检查阅读顺序、表格行列和公式；同时记下每篇的 mean_grade 与 low_grade，看等级偏低的页面是否正是出错的页面。
参考文献
-
docling-project/docling. GitHub，2026-10-20 核验。
-
LICENSE（MIT License）. GitHub，2026-10-20 核验。
-
Release v2.140.0. GitHub，2026-10-16 发布。
-
Release v2.139.0. GitHub，2026-10-14 发布。
-
Release v2.138.0. GitHub，2026-10-12 发布。
-
Release v2.135.0. GitHub，2026-10-07 发布。
-
Release v2.132.0. GitHub，2026-10-01 发布。
-
feat(asr): transcribe with a remote OpenAI-compatible server (#4853). GitHub，2026-10-16 合并。
-
fix(reading-order): bound page-separator candidate work and honor document_timeout (#4633). GitHub，2026-10-16 合并。
-
docling. PyPI，2026-10-20 核验。
-
Docling 文档首页. 2026-10-20 核验。
-
Processing audio and video. Docling 文档，2026-10-20 核验。
-
Confidence scores. Docling 文档，2026-10-20 核验。
-
Architecture. Docling 文档，2026-10-20 核验。
-
docling-project/docling-models. Hugging Face，2026-10-20 核验。
-
ibm-granite/granite-docling-258M. Hugging Face，2026-10-20 核验。
-
Deep Search Team. Docling Technical Report. arXiv:2408.09869，2024。
-
信息由 Scholay 学术一站式平台 整理并发表，如有侵权请反馈下架。
-
信息同步发表于恩特学术，智能时代的学者社区