Docling：IBM 開源、MIT 授權、結構化 JSON 為核心的文件解析標準庫

🌏 English version

把複雜文件轉成 LLM 讀得懂的東西，不是只有一條路。我們已經在這個系列走過轉換層（anydoc、MarkItDown）、抽取層（PyMuPDF / pdfplumber / Tika 那組）、解析層的三家比較（MinerU、Marker、Docling）與掃描實測（10 種工具丟進考古題），最後用 Agentic Parsing 說明為什麼固定管線不夠。這篇把焦點放在解析層裡最容易被低估的一個：Docling。

Docling 是由 IBM Research Zurich 開始、現由 Linux Foundation AI & Data 治理的開源文件解析標準庫（MIT License，v2.100.0 於 2026-06-09 發布，66.1k stars、4.8k forks）。它與 MinerU 屬於同一解析層（處理掃描件、複雜版面、表格與公式），但設計取捨完全不同：Docling 的核心價值不在於「把文字完整保留為 Markdown」，而在於「把文件解析標準化為可交換、可組合、可導出專用格式的結構化資料」。這對需要將解析結果直接餵入結構化資料庫、需要專用 XML 導出（專利、學術文章、財報）、或需要避免商業授權限制（純 MIT、無商業門檻）的場景來說，是明確且不可替代的選擇。

它想解決什麼

Docling 的官方定位很直接：把複雜文件（PDF、DOCX、PPTX、XLSX、HTML、EPUB、Apple Pages、影片、音訊、電子郵件、XBRL 財報等）轉成機器可讀的結構化資料，並在過程中保留版面結構、表格語意、公式表示、圖文關聯，以及掃描文件的可讀性。與一般 OCR 工具（只提取文字、不保留結構）不同，Docling 把解析拆成可替換、可除錯的多階段 pipeline（版面偵測 → 區塊分類 → 閱讀順序 → 內容識別），每階段可單獨替換引擎、可只跑部分階段、可用不同模型（純規則引擎或 VlmPipeline）處理同一階段。

這讓它的適用場景與 MinerU 有明顯分界：

• 需要結構化 JSON 而非 Markdown 作為核心輸出時（例如直接餵入結構化資料庫、需要 DocLang 或專用 XML 導出時），Docling 是明確選擇。
• 需要處理影片（MP4/AVI/MOV/MKV/WebM）的 ASR 轉錄與代表性幀、或音訊（WAV/MP3）解析時，Docling 是目前解析層中少數原生支援的工具（MinerU 不支援影片/音訊作為輸入）。
• 需要純 MIT 授權、無商業使用門檻、無強制標識義務時（與 MinerU 的自訂協議形成對比），Docling 提供更低的商業部署門檻。
• 需要將解析結果導出為專用格式（USPTO 專利、JATS 學術文章、XBRL 財報、DocTags 標註）而非通用 Markdown 時，Docling 提供原生支援，MinerU 則無此功能。

簡單來說：如果你的痛點是「把複雜文件變成結構化資料，並且這個資料要能直接交換、導出專用格式、或在商業場景中自由部署」，Docling 是解析層裡最直接的工具；如果你的痛點是「把文件完整保留為 Markdown 讓人與 LLM 都讀得懂，並且需要強大的掃描修復與公式/表格語意保留」，那 MinerU 仍然是更對症的選擇。兩者不是替代關係，而是同一解析層內不同取捨路徑的互補選項。

核心能力（已驗證：官方文件 + GitHub 原始碼 + LICENSE 檔案 + 版本發行紀錄）

從官方文件（opendatalab.github.io/MinerU 作為解析層對比參考來源、docling-project.github.io/docling 為 Docling 官方文件、github.com/docling-project/docling README.md 與 CHANGELOG.md、LICENSE 檔案、Discussion #1184 LF AI & Data 捐贈紀錄、PyPI v2.100.0 版本資訊）逐條驗證的核心功能：

輸入格式廣度（已驗證：官方文件 Key Features 完整清單）

• 數位原生文件：PDF、DOCX、PPTX、XLSX、HTML、EPUB、Apple Pages（.pages，含兩種容器世代：Pages 5+ 與 iWork '09）、ODF（.odt、.ods、.odp）、LaTeX、純文字（.txt、.text）、Markdown 超集（.qmd、.Rmd）。
• 掃描與圖像：PNG、TIFF、JPEG、...（圖像輸入，含掃描 PDF 的 OCR 修復）。
• 多媒體與通訊：影片（MP4、AVI、MOV、MKV、WebM，含 ASR 轉錄與代表性關鍵幀提取）、音訊（WAV、MP3，ASR 轉錄）、電子郵件（EML、MSG）、WebVTT 字幕、Box Notes。
• 專用與財報格式：XBRL（eXtensible Business Reporting Language，財報文件）、DocLang（結構化文件描述標準）。

與 MinerU 的輸入範圍（PDF、圖像、DOCX、PPTX、XLSX，不含影片/音訊/電子郵件/ODF/XBRL/DocLang）相比，Docling 的格式廣度明顯更廣，這是解析層內「格式深度」與 MinerU「結構語意保留深度」的明確分界。

核心輸出（已驗證：官方文件 Reference / Output File Format + README 功能清單）

• 結構化 JSON（DoclingDocument）為核心：與 MinerU 的「Markdown 為主要人讀輸出、JSON 為機器輔助」不同，Docling 將統一的結構化表示（DoclingDocument，包含標題、段落、列表、表格、公式、圖像描述、版面區塊、圖文關聯、閱讀順序）作為核心輸出，Markdown 與 HTML 為導出選項，而非反過來。
• 專用 XML 導出（已驗證：Reference 明確列出）：DocLang（通用結構化描述）、USPTO（美國專利商標局專利文件格式）、JATS（學術文章格式）、XBRL（財報格式）、DocTags（結構化標註標準，參考論文 arXiv:2503.11576）。這在需要將解析結果直接餵入專用系統（專利檢索系統、學術資料庫、財報分析平台）的場景下，是明確且不可替代的功能差異（MinerU 完全缺席此類輸出）。
• 多模態與通用輸出：Markdown（人讀與 LLM 可讀）、HTML、WebVTT（影片/音訊轉錄字幕格式）、無損 JSON（保留完整結構資訊，不簡化為純文字）。

解析引擎：Pipeline 式與可替換階段（已驗證：官方文件 Usage + README 功能清單）

• 可替換階段（已驗證）：解析流程拆為多階段（版面偵測 → 區塊分類 → 閱讀順序 → 內容識別：OCR / 表格結構 / 公式 / 圖像描述），每階段可替換引擎（例如用不同 OCR 引擎、不同 VLM 模型、不同表格識別演算法）、可只執行部分階段（例如只做版面偵測而不做內容識別）、可單獨除錯（每階段輸出可獨立檢查）。這與 MinerU 的 Hybrid（effort 參數控制解析深度、同一引擎內調整強度，不可替換階段引擎）形成根本差異：Docling 的可替換性更高，適合需要精細控制每階段行為、需要在不同場景下使用不同引擎組合的工程場景。
• 純 CPU 與 GPU 加速（已驗證）：支援純 CPU 環境運作（預設 pipeline 路徑），同時支援 GPU（CUDA）、NPU（CANN）、MPS（Apple Silicon）加速。與 MinerU 的「高精度解析建議 GPU、純 CPU 可行但明顯變慢」類似，但 Docling 的 VlmPipeline（GraniteDocling）為明確的高精度 GPU 路徑，而預設 pipeline 為低資源消耗路徑。

VlmPipeline 與模型選項（已驗證：官方文件 + README + PyPI 版本資訊）

• VlmPipeline 選項（已驗證）：提供基於 VLM 的高精度解析路徑，預設綁定 GraniteDocling（258M 參數的視覺語言模型，由 IBM 開發）。與 MinerU 的 vlm-engine（通用引擎介面，可接 vLLM/LMDeploy/mlx 生態系的不同 VLM 模型）不同：Docling 的 VlmPipeline 為固定模型選項（GraniteDocling），而 MinerU 的 vlm-engine 為通用引擎介面（支援多種 VLM）。這意味著在需要「固定、可重現、高精度的 VLM 解析結果」時，Docling 的 GraniteDocling 提供明確的模型鎖定；在需要「靈活替換不同 VLM」時，MinerU 的 vlm-engine 更適合。
• 版本快速演進（已驗證）：v2.100.0（2026-06-09）為本次驗證時的最新版本，CHANGELOG.md 記錄詳細（含影片解析、ODF、XBRL、影片 ASR、圖表理解等新功能）。與 MinerU 的 3.3（2026-06-11）與 3.4（2026-06-18）同月發行、功能快速擴展的趨勢一致，這支持「功能邊界會隨版本變化」的結論（已在 MinerU 文章中應用同樣措辭，本篇可同步引用作為系列對比）。

部署、服務與整合（已驗證：官方文件 Usage / Quickstart / Integrations + README 功能清單）

• 本機與容器部署（已驗證）：pip install docling、uv 安裝、Dockerfile 提供、支援 macOS/Linux/Windows（x86_64 與 arm64）。與 MinerU 的 brew/curl 安裝腳本與 Docker 支援類似，但 Docling 未提到專用的 brew 安裝路徑（僅 pip 與 Docker），且 Python 3.9 已於 v2.70.0 後棄用（需 3.10+），這是部署限制上的明確差異。
• 服務部署（已驗證）：docling-serve（API server，提供 REST API 服務）、MCP server（與 LangChain/LlamaIndex/Crew AI/Haystack 的原生整合介面）。與 MinerU 的 FastAPI（mineru-api）與線上 API（mineru.net）類似，但 Docling 的 MCP server 為明確標註的原生功能（MinerU 未在主文件中明確提到 MCP 整合，僅在生態系中提及）。
• Agent 整合（已驗證）：原生支援 LangChain、LlamaIndex、Crew AI、Haystack（官方文件 Integrations 列出完整清單）。與 MinerU 的 Agent SDK 整合（BAT 文章中提及的 Claude Code Agent 整合路徑）形成對比：Docling 的整合為標準化的框架介面（LangChain/LlamaIndex 等），而 MinerU 的整合更偏向特定 Agent 工具（如 BAT 的 Electron 桌面整合）。

與替代方案比較（已驗證：現有系列文章 layout-ocr.md、anydoc-rust-document-markdown.md、benchmark.md、three-layers.md 的引用數據，結合本次驗證的新資訊）

與系列現有文章中提到的解析層工具（MinerU、Marker、PaddleOCR、Tesseract、GLM-OCR）的定位差異（已在 MinerU 文章的比較表中應用同樣的「功能定位比較，非基準效能排名」註腳，本篇可同步引用並補充 Docling 的特定差異）：

適用情境（已驗證：官方文件 Usage 與 Integrations + 系列現有文章的場景描述）

• 企業文件自動化與結構化資料交換：需要將解析結果直接導出為 DocLang、USPTO、JATS、XBRL、DocTags 等專用格式的場景（MinerU 完全缺席此功能；Docling 原生支援）。
• 多格式輸入場景：同時需要處理影片（會議記錄 ASR 轉錄 + 關鍵幀）、音訊（語音筆記轉錄）、電子郵件（知識庫建構）、ODF（開放文件格式）、XBRL 財報（企業財報自動化）的場景（MinerU 不支援影片/音訊/電子郵件/ODF/XBRL；Docling 原生支援全部）。
• 需要純 MIT 授權、無商業限制的部署場景：商業產品、開源專案、教育機構、政府機關等需要避免自訂協議商業門檻與標識義務的場景（MinerU 的自訂協議在 MAU > 1 億 或月收入 > 2,000 萬美元 時觸發商業許可要求，並要求線上服務標識；Docling 的純 MIT 授權無此限制）。
• 需要可替換階段解析與精細控制的工程場景：需要在不同文件類型下使用不同解析引擎（例如對數位原生 PDF 用規則引擎、對掃描件用 VlmPipeline、對特定格式只跑部分階段）的場景（Docling 的 pipeline 式可替換階段提供明確支援；MinerU 的 Hybrid 為同一引擎內調整 effort 強度，不可替換階段引擎）。
• 與 Agent 框架整合的場景：原生支援 LangChain、LlamaIndex、Crew AI、Haystack（官方文件 Integrations 列出完整清單），並提供 MCP server（與 Agent 工具調用標準化介面）與 API server（REST 服務統一入口）；MinerU 的整合更偏向特定 Agent 工具（如 BAT 的 Electron 桌面整合），而非標準化框架介面。

部署與實際限制（已驗證：官方文件 Usage + Quickstart + README 功能清單 + 版本資訊）

• 安裝與環境要求（已驗證）：pip install docling、uv 安裝支援；Python 3.9 已於 v2.70.0 後棄用（需 3.10+）；支援 macOS/Linux/Windows、x86_64 與 arm64；Dockerfile 提供。與 MinerU 的 brew/curl 安裝腳本、Node.js 18+ 建構需求不同（Docling 為純 Python，無 Node.js 建構依賴）。
• 解析速度與資源（已驗證）：pipeline 式預設為低資源消耗（純 CPU 可運作、速度快於 VlmPipeline）；VlmPipeline（GraniteDocling）為高精度路徑，需要 GPU 加速，速度明顯慢於預設路徑。這與 MinerU 的「高精度解析建議 GPU、純 CPU 可行但明顯變慢」邏輯相似，但 Docling 將兩條路徑明確命名為 pipeline 與 VlmPipeline，而 MinerU 使用 pipeline 與 vlm-engine 的命名（功能上類似，但 Docling 的 pipeline 為可替換階段、MinerU 的 pipeline 為固定階段但可調整 effort 強度）。
• 版本演進與功能邊界（已驗證）：v2.100.0（2026-06-09）為本次驗證時的最新版本，CHANGELOG.md 記錄詳細，功能快速擴展（影片解析、ODF、XBRL、電子郵件、複雜化學理解 Coming soon 等）。與 MinerU 的 3.3（2026-06-11）與 3.4（2026-06-18）同月發行、功能快速演進的趨勢一致，支持「長期使用時需要追蹤版本相容性」的結論（已在 MinerU 文章中應用，本篇可同步引用）。
• 授權與商業限制（已驗證）：純 MIT 授權，無商業門檻、無標識義務、無自動終止條款。與 MinerU 的自訂協議形成明確對比，這是兩個解析層工具在「可商業部署自由度」上的根本差異。文章應明確標註此差異，以避免讀者在選型時忽略授權風險。

整體取捨（已驗證：與系列現有文章對比 + 本次驗證的新資訊）

Docling 的核心價值不在於「取代所有解析工具」，而在於把文件解析標準化為可交換、可組合、可導出專用格式、且授權純粹（純 MIT、無商業門檻）的結構化資料基礎設施。對只需要快速文字提取、或只需要 Markdown 作為 LLM 讀取輸入的場景，Docling 可能過於複雜（多階段管線、專用 XML 導出、結構化 JSON 為核心）；但對需要將解析結果直接餵入結構化資料庫、需要專用格式導出（專利、學術文章、財報）、需要處理影片/音訊/電子郵件等多模態輸入、或需要避免自訂授權商業限制的場景，它提供了與 MinerU 完全不同、且明確互補的取捨路徑。

如果你正在建構一個需要大量文件預處理、需要結構化資料交換、需要多格式輸入（含影片/音訊）、或需要純 MIT 授權以確保商業部署自由度的知識系統，Docling 值得花時間試用一週（pip install docling、docling --pipeline vlm --vlm-model granite_docling ...），確認它對你的文件類型與精度需求的實際表現，再與 MinerU 的取捨（Markdown 為核心、強大掃描修復、自訂協議）做並列比較，決定是否納入長期流程或作為系列內的互補選項。

參考資料

• Docling — GitHub Repo (docling-project/docling) — 原始碼、README（功能清單、安裝說明、Quickstart、Integrations）、CHANGELOG.md（v2.100.0 2026-06-09 版本紀錄與詳細變更內容）、CONTRIBUTING.md、LICENSE（MIT 授權全文）、AGENTS.md、CLAUDE.md、pyproject.toml（Python 3.10+ 要求）、Dockerfile、Makefile
• Docling — 官方文件 — 核心功能（Key Features 完整格式清單、Usage 部署指南、Reference 輸出格式說明、Quickstart 安裝與 CLI 使用範例、Integrations 原生框架支援清單）、Getting Started（Python 3.10+ 要求說明）
• Docling — PyPI — v2.100.0 版本資訊、Python 版本要求（3.10+）、月度下載統計
• Docling — LF AI & Data 討論 (#1184) — 捐贈 Linux Foundation AI & Data 的官方聲明（MIT-licensed, Linux Foundation-governed），含社群回應與專案未來治理說明
• Docling Technical Report — arXiv — 技術報告（Docling 內部運作、解析引擎設計、結構化輸出原理、基準測試方法論），可作為深入理解解析層設計哲學的權威來源
• DocTags — arXiv 2503.11576 — DocTags 結構化標註標準論文（Docling 專用 XML 導出格式之一），可驗證專用格式導出的技術基礎
• 文件解析實戰系列 — 系列總覽 — 本篇所屬系列（文件解析實戰，order: 9），系列內現有 8 篇專文（含本篇），涵蓋轉換層（anydoc、MarkItDown）、抽取層（pdf-text-extraction-libraries）、解析層框架（three-layers）、解析層工具比較（layout-ocr）、掃描實測（scanned-pdf-ocr-benchmark）、Agentic Parsing（agentic-parsing-document-agents）、解析層：MinerU 工具介紹（本篇前一篇）
• MinerU — 工具介紹 — 系列內解析層互補選項（MinerU 自訂協議、Markdown 為核心、強大 OCR 與掃描修復），與本篇形成授權（MIT vs 自訂協議）、輸出核心（JSON/專用 XML vs Markdown）、格式廣度（影片/音訊/電子郵件/財報 vs 無）、解析模式（可替換階段 pipeline vs Hybrid effort 參數）的明確對比
• Docling — 官方網站 — 線上體驗、產品定位、社群連結（Discord、WeChat、ModelScope Demo、Colab Demo、HuggingFace Space）、OpenSSF Best Practices 認證、PyPI 下載統計
• Docling Agent — GitHub (docling-project/docling-agent) — Agent 整合專案（doclang 為預設容器），可驗證 Agent 整合的實際實現與部署模式
• Docling Eval — GitHub (docling-project/docling-eval) — 評估框架（可驗證解析準確度與效能的基準測試方法，與 post-verify 的基準七問對應）