跳到主要内容

Docling

Docling 是 IBM Research 的文档处理引擎，可从 PDF、DOCX、PPTX 等多种文档格式中提取文本与结构。它提供 OCR、表格提取与版面分析等高级能力。

本集成通过 REST API 与正在运行的 docling-serve 实例通信，并基于官方 Docling Java 库构建。

Maven 依赖​

<dependency>
    <groupId>dev.langchain4j</groupId>
    <artifactId>langchain4j-document-parser-docling</artifactId>
    <version>1.18.1-beta28</version>
</dependency>

该模块依赖 docling-serve-api（接口），并将 docling-serve-client（参考 HTTP 客户端）作为可选运行时依赖包含。

如果你未使用 Spring Boot 或 Quarkus（它们可能提供自己的 DoclingServeApi 实现），还必须显式添加参考客户端：

<dependency>
    <groupId>ai.docling</groupId>
    <artifactId>docling-serve-client</artifactId>
    <version>0.5.1</version>
</dependency>

诸如 Quarkus 或 Spring Boot 等框架提供了各自的 Docling 集成。如何接入这些特定实现，请参阅 Docling Java 文档。

用法​

启动一个 docling-serve 实例（参见 docling-serve 文档），然后构建 DoclingServeApi 客户端并将其传给解析器：

DoclingServeApi api = DoclingServeApi.builder()
        .baseUrl("http://localhost:5001")
        .build();

DoclingDocumentParser parser = DoclingDocumentParser.builder()
        .doclingClient(api)
        .build();

Document document = parser.parse(inputStream);
String text = document.text();

转换选项​

要自定义 Docling 处理，请将 ConvertDocumentOptions 传给 builder：

ConvertDocumentOptions options = ConvertDocumentOptions.builder()
        // configure options here
        .build();

DoclingDocumentParser parser = DoclingDocumentParser.builder()
        .doclingClient(api)
        .options(options)
        .build();

自定义文本提取​

默认情况下，解析器从 Docling 响应中提取 markdown 内容。你可以通过 builder 的 documentTextExtractor 方法提供 Function<InBodyConvertDocumentResponse, String> 来自定义文本提取方式。该函数接收完整的 InBodyConvertDocumentResponse，可访问多种格式的转换文档（markdown、HTML、text、doctags、JSON）、转换错误、处理时间与状态信息。

例如，提取 HTML 而非 markdown：

DoclingDocumentParser parser = DoclingDocumentParser.builder()
        .doclingClient(api)
        .documentTextExtractor(response -> response.getDocument().getHtmlContent())
        .build();

或提取纯文本：

DoclingDocumentParser parser = DoclingDocumentParser.builder()
        .doclingClient(api)
        .documentTextExtractor(response -> response.getDocument().getTextContent())
        .build();

API​

  • DoclingDocumentParser

示例​