RAG 与知识库先试这个
Docling
docling-project / docling
文档解析工具包:PDF / HTML / Office 转结构化 Markdown / JSON,保留版面、表格与阅读顺序。
为什么选
- 版面、表格与阅读顺序处理比简单 PDF 抽取更完整。
- 可本地跑,适合私有文档与内网 RAG。
- 输出结构清楚,便于接 chunk / 索引管线。
不适合
只需要纯文本、不关心版面的场景,用更轻的抽取器即可。
扫描件质量极差时,仍要 OCR 与人工校对。
最小上手
- 装包后跑一个 PDF → Markdown 示例,检查标题层级与表格。
- 换一份含合并单元格/扫描页的文档,记录失败页。
- 把输出接进自己的 chunk 管线,抽 20 个 chunk 看引用。
依赖与成本
Python 3.9+;CPU 可跑基础解析;OCR/版面模型与大批量任务建议 GPU。
许可与使用边界
代码 MIT;文档内容版权归原作者,解析输出不改变原文档许可。
开源不等于可商用:GPL / AGPL 有传染性;代码许可、模型许可、生成内容许可要分开看。上线前读仓库 LICENSE 与模型卡,必要时让法务确认。
替代与相邻
- Unstructured — 生产可用,文档 ETL 工具:把 PDF、HTML、图片、Office 文件分区、清洗并带上元数据,喂给 RAG。
- Marker — 特定场景,PDF → Markdown / JSON 的高质量转换器,重点处理版面、表格、公式与阅读顺序。
- RAGFlow — 先试这个,带文档解析、切分、检索与引用的 RAG 平台,适合把一套知识库跑起来。
下一步
- 打开 GitHub,先读 README、LICENSE、最近 release 与 issue。
- 按“部署依赖 / 显存 / 数据 / 网络 / 权限”列一张上手清单。
- 用一个小样本跑通,再决定是否进生产;不要直接上生产数据。
快照口径:stars / forks / language / license / pushed_at 来自 GitHub API 2026-11-19 快照;之后的变化没有回写。标签与“适合 / 不适合”是编辑判断,不是 GitHub 元数据。
不背书:本站只做索引与风险提示,不审计代码、不保证安全、不替你做许可判断。仓库脚本与模型权重请自行审查。