Docling — разбор документов для RAG и ИИ

★ 65K

Docling — это библиотека для разбора документов, которая превращает PDF, DOCX, PPTX, HTML, изображения и другие форматы в структурированный вид (Markdown или JSON), удобный для ИИ и RAG. Берут, когда нужно надёжно извлечь содержимое документов с сохранением структуры: текст, заголовки, таблицы, порядок чтения, элементы страницы — чтобы затем скормить это в RAG-конвейер или обработать программно. Работает как Python-библиотека, умеет OCR для сканов, распознаёт таблицы и макет, интегрируется с популярными фреймворками (LangChain, LlamaIndex). Направление — программное превращение разнородных документов в чистую структуру для дальнейшей обработки, а не веб-приложение с интерфейсом и не только извлечение таблиц (для таблиц из текстовых PDF — excalibur): ценность — единый качественный парсер документов для пайплайнов ИИ. По задаче встаёт перед индексацией и векторной базой в RAG. Разрабатывается при участии IBM Research.