Docling: Hiểu tài liệu phức tạp cho AI

01

Tổng quan

Docling biến tài liệu thô thành một biểu diễn thống nhất, giàu ngữ nghĩa, phù hợp cho RAG, tìm kiếm, trích xuất dữ liệu, agent và các pipeline phân tích tài liệu.

DoclingDocument

Một định dạng biểu diễn thống nhất và biểu đạt tốt cho cấu trúc tài liệu, giúp các bộ chuyển đổi, trình xuất và tích hợp cùng làm việc trên một mô hình dữ liệu.

02

Năng lực cốt lõi

Phân tích tài liệu không chỉ là lấy chữ: Docling giữ lại cấu trúc, quan hệ và thứ tự đọc để nội dung sẵn sàng cho AI.

Hiểu PDF nâng cao

LAYOUT

Nhận diện bố cục trang, thứ tự đọc, bảng, code, công thức và phân loại hình ảnh.

OCR mở rộng

OCR

Xử lý PDF scan và ảnh với nhiều lựa chọn OCR cho các ngôn ngữ và chất lượng nguồn khác nhau.

Visual Language Models

VLM

Dùng GraniteDocling và các VLM khác để hiểu trực quan tài liệu phức tạp.

Audio & ASR

ASR

Hỗ trợ WAV, MP3 và mô hình nhận dạng tiếng nói tự động cho nội dung âm thanh.

Chạy cục bộ

LOCAL

Phù hợp dữ liệu nhạy cảm, hệ thống nội bộ và môi trường không kết nối Internet.

CLI đơn giản

DX

Chuyển tài liệu bằng một lệnh, đồng thời hỗ trợ cấu hình sâu khi cần.

03

Định dạng hỗ trợ

Docling bao phủ tài liệu văn phòng, web, ebook, email, âm thanh, dữ liệu chuyên ngành và nhiều định dạng ảnh.

Nhóm	Định dạng tiêu biểu	Điểm nổi bật
Tài liệu	PDF, DOCX, PPTX, XLSX, ODT, ODS, ODP	Bảo toàn bố cục và cấu trúc logic.
Web & ebook	HTML, EPUB, Markdown, QMD, Rmd	Chuẩn hóa nội dung dài thành mô hình thống nhất.
Media	PNG, TIFF, JPEG, WAV, MP3, WebVTT	OCR, mô tả hình ảnh và ASR.
Email	EML, MSG, Box Notes	Phân tích nội dung và metadata liên quan.
Chuyên ngành	JATS, USPTO, XBRL, LaTeX, DocLang	Hỗ trợ bài báo, bằng sáng chế và báo cáo tài chính.

Đầu ra linh hoạt

Xuất Markdown, HTML, WebVTT, DocLang, DocTags hoặc JSON không mất dữ liệu tùy theo mục tiêu của pipeline.

04

Quickstart

1

Cài đặt

Docling hỗ trợ macOS, Linux và Windows trên kiến trúc x86_64 lẫn arm64.

terminal● ● ●

pip install docling

Yêu cầu Python

Từ Docling 2.70.0, Python 3.9 không còn được hỗ trợ. Hãy sử dụng Python 3.10 trở lên.

2

Chuyển tài liệu bằng CLI

Lệnh dưới đây tạo tệp Markdown có cấu trúc trong thư mục hiện tại.

command line● ● ●

docling https://arxiv.org/pdf/2206.01062

# Chạy pipeline VLM với GraniteDocling
docling --pipeline vlm --vlm-model granite_docling \
  https://arxiv.org/pdf/2206.01062

3

Dùng Python API

Cách được khuyến nghị khi tích hợp Docling vào ứng dụng.

python● ● ●

from docling.document_converter import DocumentConverter

source = "https://arxiv.org/pdf/2408.09869"
converter = DocumentConverter()
result = converter.convert(source)

print(result.document.export_to_markdown())

05

Hệ sinh thái AI

Docling kết nối plug-and-play với các framework agent và RAG phổ biến, đồng thời có thể hoạt động như một dịch vụ.

LangChain

RAG

Đưa tài liệu đã chuẩn hóa vào loader, retriever và chuỗi xử lý LLM.

LlamaIndex

INDEX

Xây dựng chỉ mục và pipeline truy xuất từ cấu trúc DoclingDocument.

CrewAI & Haystack

AGENT

Cấp nội dung tài liệu giàu ngữ nghĩa cho agent và workflow tìm kiếm.

MCP Server

MCP

Kết nối Docling với bất kỳ agent tương thích Model Context Protocol.

API Server

SERVE

Chạy Docling như một dịch vụ với dự án docling-serve.

GraniteDocling

VLM

Mô hình thị giác-ngôn ngữ dành cho hiểu tài liệu trong pipeline VLM.

06

Điểm mới & sắp tới

Đã có

ODF, XBRL, EML/MSG, EPUB, plain text, Markdown mở rộng và hiểu biểu đồ cột, tròn, đường.

Sắp tới

Trích xuất metadata như tiêu đề, tác giả, tài liệu tham khảo, ngôn ngữ và hiểu cấu trúc hóa học phức tạp.

07

Kỹ thuật & cộng đồng

Báo cáo kỹ thuật Docling mô tả chi tiết kiến trúc và cách hệ thống hiểu tài liệu. Dự án dùng giấy phép MIT, được khởi tạo bởi nhóm AI for Knowledge tại IBM Research Zurich và hiện thuộc LF AI & Data Foundation.

bibtex● ● ●

@techreport{Docling,
  author = {Deep Search Team},
  title = {Docling Technical Report},
  eprint = {2408.09869},
  doi = {10.48550/arXiv.2408.09869},
  year = {2024}
}