阅读要点
先读这里，快速了解全文在讲什么
核心结论
做 RAG 的人大概都踩过同一个坑：模型换了一轮又一轮，结果卡住的原因却是 PDF 里那张跨页表格被抽成了乱码。Docling 就是冲着这件脏活来的文档解析库，适合正在搭知识库的开发者，也适合只想把论文、财报、扫描件转成 Markdown 的普通用户。核心看点- 版面结构尽量还原：双栏排版、标题层级、表格、公式、图片位置都试着保留下来，导出 Markdown、JSON 或 HTML，而不是吐一大坨没有顺序的纯文本。 - 本地跑得动：默认…
你可以了解到
阅读后可获得与「Docling：把 PDF 转成 Markdown，RAG 前先跑一遍」相关的实用信息与站内延伸资源；最后更新 2026年9月13日。
延伸阅读
做 RAG 的人大概都踩过同一个坑：模型换了一轮又一轮，结果卡住的原因却是 PDF 里那张跨页表格被抽成了乱码。Docling 就是冲着这件脏活来的文档解析库，适合正在搭知识库的开发者，也适合只想把论文、财报、扫描件转成 Markdown 的普通用户。
核心看点
– 版面结构尽量还原：双栏排版、标题层级、表格、公式、图片位置都试着保留下来，导出 Markdown、JSON 或 HTML，而不是吐一大坨没有顺序的纯文本。
– 本地跑得动：默认走本地模型推理，合同、病历这类不方便上传云端的文档可以离线处理。
– 接得上现有链路：解析结果能直接喂给常见的 RAG 框架和向量库，省掉自己写清洗脚本的时间。
上手提示
装好 Python 环境后 pip 安装即可，首次运行会自动下载版面分析和 OCR 相关的模型权重，CPU 能跑，有 GPU 会顺很多。命令行和 Python API 两种用法都有，批量处理一整个目录的 PDF 也不用写太多代码。许可证与模型权重条款以仓库内的 LICENSE 为准，商用前自己确认一遍。
想先看效果，可以直接翻 README 里的示例输出，再对着 Releases 挑个版本装上试。仓库在这：docling：把 PDF 变成能喂给 RAG 的干净文本
