Rastreador web de Python de código abierto que convierte cualquier sitio web en Markdown limpio y listo para LLM, extrae datos estructurados con CSS o LLM y ofrece una API alojada opcional.
85,8 mil8,9 milPythonApache-2.0Actualizado ayer
docling-project/docling
Parser de documentos de código abierto que convierte PDF, Office, HTML y otros archivos en datos estructurados para pipelines de IA generativa.
Alternativa open source a:Adobe Acrobat
- Estrellas
- 69,115
- Forks
- 5,107
- Issues abiertos
- 874
- Último commit
- hace 14 horas
¿Qué es?
Docling es una biblioteca de Python y una CLI para analizar documentos y convertirlos en una representación unificada llamada DoclingDocument. Acepta una amplia variedad de formatos, como PDF, DOCX, PPTX, XLSX, HTML, EPUB, archivos de correo electrónico, imágenes y audio, y exporta el resultado como Markdown, HTML, JSON sin pérdida u otros formatos.
Su pipeline para PDF procesa la maquetación de las páginas, el orden de lectura, la estructura de las tablas, las fórmulas, los bloques de código y el OCR de las páginas escaneadas. Se pueden usar modelos de lenguaje y visión, como GraniteDocling, como pipeline alternativo, y los modelos de reconocimiento de voz pueden transcribir audio y video.
Docling puede ejecutarse completamente de forma local, lo que lo hace adecuado para datos confidenciales y entornos aislados de la red. También incluye integraciones con LangChain, LlamaIndex, CrewAI y Haystack, un servidor MCP y un servidor de API llamado docling-serve.
Funciones clave
- 01Analiza PDF, archivos de Office, HTML, EPUB, correo electrónico, imágenes y audio y los convierte en un único modelo de documento
- 02Comprensión avanzada de PDF que abarca la maquetación, el orden de lectura, las tablas y las fórmulas
- 03OCR para PDF e imágenes escaneados
- 04Exporta a Markdown, HTML y JSON sin pérdida
- 05Se ejecuta localmente para trabajar con datos confidenciales y en entornos aislados de la red
- 06Integraciones con LangChain, LlamaIndex, CrewAI y Haystack
Casos de uso
- Convertir informes o artículos en PDF a Markdown para incorporarlos a sistemas RAG y LLM
- Extraer tablas de documentos financieros o de investigación y convertirlas en datos estructurados
- Crear un servicio de procesamiento de documentos con la API de docling-serve
- Incorporar documentos de Office a frameworks de agentes mediante LangChain o LlamaIndex
Inicio rápido
- 1
Instalar el paquete
pip install docling - 2
Convertir un documento desde la línea de comandos
docling https://arxiv.org/pdf/2206.01062 - 3
Convertir un documento en Python
Antes de usarlo
- Se requiere Python 3.10 o posterior, ya que la compatibilidad con Python 3.9 se eliminó en la versión 2.70.0.
- Algunas funciones avanzadas, como los modelos VLM y ASR, requieren descargar modelos por separado y están sujetas a sus propias licencias.
Temas
Preguntas frecuentes
- ¿Qué es docling?
- Parser de documentos de código abierto que convierte PDF, Office, HTML y otros archivos en datos estructurados para pipelines de IA generativa. Docling es una biblioteca de Python y una CLI para analizar documentos y convertirlos en una representación unificada llamada DoclingDocument. Acepta una amplia variedad de formatos, como PDF, DOCX, PPTX, XLSX, HTML, EPUB, archivos de correo electrónico, imágenes y audio, y exporta el resultado como Markdown, HTML, JSON sin pérdida u otros formatos.
- ¿docling es gratuito? ¿Qué licencia tiene?
- docling es open source bajo la licencia MIT. Revisa los términos de la licencia antes de usarlo en productos comerciales.
- ¿docling sigue mantenido?
- Mantenimiento activo. El último commit de docling fue el 19 oct 2026.
- ¿Para qué puedo usar docling?
- Convertir informes o artículos en PDF a Markdown para incorporarlos a sistemas RAG y LLM Extraer tablas de documentos financieros o de investigación y convertirlas en datos estructurados Crear un servicio de procesamiento de documentos con la API de docling-serve Incorporar documentos de Office a frameworks de agentes mediante LangChain o LlamaIndex
- ¿Cómo se instala docling?
- Instalar el paquete: pip install docling Convertir un documento desde la línea de comandos: docling https://arxiv.org/pdf/2206.01062 Convertir un documento en Python
- ¿Dónde consigo docling?
- El código fuente y las instrucciones de instalación están en GitHub: https://github.com/docling-project/docling
Resumen generado por IA a partir del README del proyecto. Las estadísticas de GitHub se actualizan a diario.
Proyectos relacionados
CLI y espacio de trabajo web que convierte documentos sin procesar en una wiki Markdown interconectada y mantenida por un LLM, con recuperación en árbol de PageIndex para archivos extensos.
4,8 mil497PythonApache-2.0Actualizado hace 3 meses
Biblioteca de Python e interfaz web que convierte PDF, DOCX, PPTX, XLSX, imágenes y URL a Markdown, JSON, CSV o HTML, con OCR y extracción de campos estructurados.
1,6 mil138PythonMITActualizado hace 12 meses
Biblioteca de scraping web en Python que usa LLM y pipelines basados en grafos para extraer datos estructurados de sitios web y documentos locales a partir de una instrucción de texto.
32 mil3,4 milPythonMITActualizado hace 14 días
Agente de investigación autónomo y de código abierto que planifica preguntas, recopila fuentes web y locales, y redacta informes con citas usando cualquier proveedor de LLM.
30,2 mil4,3 milPythonApache-2.0Actualizado hace 9 días
Convierte un repositorio Git o un directorio local en un único resumen de texto listo para incluir código en prompts para LLM.
16 mil1,2 milPythonMITActualizado anteayer