Crawler web open source em Python que transforma qualquer site em Markdown limpo e pronto para LLMs, com extração estruturada baseada em CSS/LLM e uma API hospedada opcional.
85,8 mil8,9 milPythonApache-2.0Atualizado há 15 horas
docling-project/docling
Parser de documentos open source que converte PDFs, arquivos do Office, HTML e outros formatos em dados estruturados para pipelines de IA generativa.
Alternativa open source a:Adobe Acrobat
- Estrelas
- 69,115
- Forks
- 5,107
- Issues abertas
- 874
- Último commit
- há 4 horas
O que é?
Docling é uma biblioteca Python e uma CLI para analisar documentos e convertê-los em uma representação unificada chamada DoclingDocument. Aceita vários formatos de entrada, incluindo PDF, DOCX, PPTX, XLSX, HTML, EPUB, arquivos de e-mail, imagens e áudio, e exporta o resultado como Markdown, HTML, JSON sem perdas ou outros formatos.
O pipeline de PDF processa o layout das páginas, a ordem de leitura, a estrutura das tabelas, fórmulas, blocos de código e OCR para páginas digitalizadas. Modelos de linguagem visual, como o GraniteDocling, podem ser usados como pipeline alternativo, e modelos de reconhecimento de fala podem transcrever áudio e vídeo.
O Docling pode ser executado totalmente localmente, o que o torna adequado para dados sensíveis e ambientes isolados da rede. Também oferece integrações com LangChain, LlamaIndex, CrewAI e Haystack, um servidor MCP e um servidor de API docling-serve.
Recursos principais
- 01Analisa PDFs, arquivos do Office, HTML, EPUB, e-mails, imagens e áudio e os converte em um único modelo de documento
- 02Compreensão avançada de PDFs, incluindo layout, ordem de leitura, tabelas e fórmulas
- 03OCR para PDFs digitalizados e imagens
- 04Exportação para Markdown, HTML e JSON sem perdas
- 05Execução local para dados sensíveis e ambientes isolados da rede
- 06Integrações com LangChain, LlamaIndex, CrewAI e Haystack
Casos de uso
- Converter relatórios ou artigos em PDF para Markdown para ingestão em RAG e LLMs
- Extrair tabelas de documentos financeiros ou de pesquisa e convertê-las em dados estruturados
- Criar um serviço de processamento de documentos com a API docling-serve
- Enviar documentos do Office para frameworks de agentes usando LangChain ou LlamaIndex
Início rápido
- 1
Instalar o pacote
pip install docling - 2
Converter um documento pela linha de comando
docling https://arxiv.org/pdf/2206.01062 - 3
Converter um documento em Python
Antes de usar
- É necessário usar Python 3.10 ou superior, pois o suporte ao Python 3.9 foi encerrado na versão 2.70.0.
- Alguns recursos avançados, como os modelos VLM e ASR, exigem o download separado dos modelos e estão sujeitos às respectivas licenças.
Tópicos
Perguntas frequentes
- O que é docling?
- Parser de documentos open source que converte PDFs, arquivos do Office, HTML e outros formatos em dados estruturados para pipelines de IA generativa. Docling é uma biblioteca Python e uma CLI para analisar documentos e convertê-los em uma representação unificada chamada DoclingDocument. Aceita vários formatos de entrada, incluindo PDF, DOCX, PPTX, XLSX, HTML, EPUB, arquivos de e-mail, imagens e áudio, e exporta o resultado como Markdown, HTML, JSON sem perdas ou outros formatos.
- docling é gratuito? Qual é a licença?
- docling é open source sob a licença MIT. Confira os termos da licença antes de usá-lo em produtos comerciais.
- docling ainda é mantido?
- Manutenção ativa. O último commit de docling foi em 19 de out. de 2026.
- Para que posso usar docling?
- Converter relatórios ou artigos em PDF para Markdown para ingestão em RAG e LLMs Extrair tabelas de documentos financeiros ou de pesquisa e convertê-las em dados estruturados Criar um serviço de processamento de documentos com a API docling-serve Enviar documentos do Office para frameworks de agentes usando LangChain ou LlamaIndex
- Como instalar docling?
- Instalar o pacote: pip install docling Converter um documento pela linha de comando: docling https://arxiv.org/pdf/2206.01062 Converter um documento em Python
- Onde consigo docling?
- O código-fonte e as instruções de instalação estão no GitHub: https://github.com/docling-project/docling
Resumo gerado por IA a partir do README do projeto. As estatísticas do GitHub são atualizadas diariamente.
Projetos relacionados
Uma CLI e bancada web que transforma documentos brutos em uma wiki Markdown interligada e mantida por LLM, usando a recuperação em árvore do PageIndex para arquivos longos.
4,8 mil497PythonApache-2.0Atualizado há 3 meses
Biblioteca Python e interface web que convertem PDFs, DOCX, PPTX, XLSX, imagens e URLs em Markdown, JSON, CSV ou HTML, com OCR e extração de campos estruturados.
1,6 mil138PythonMITAtualizado há 12 meses
Biblioteca Python de web scraping que usa LLMs e pipelines baseados em grafos para extrair dados estruturados de sites e documentos locais a partir de um prompt de texto.
32 mil3,4 milPythonMITAtualizado há 13 dias
Agente autônomo de pesquisa open source que planeja perguntas, coleta fontes da web e locais e escreve relatórios com citações usando qualquer provedor de LLM.
30,2 mil4,3 milPythonApache-2.0Atualizado há 9 dias
AutoGPT é uma plataforma open source para criar, executar e agendar agentes de IA que realizam fluxos de trabalho com várias etapas a partir de descrições em linguagem natural ou de um editor visual.
187,7 mil45,9 milPythonOtherAtualizado há 9 horas