Docling: IBM's Open-Source, MIT-Licensed Document Parsing Standard Library Built on Structured JSON

🌏 中文版

Making complex documents readable for LLMs isn't a single-path problem. In this series we've covered the conversion layer (anydoc, MarkItDown), the extraction layer (PyMuPDF / pdfplumber / Tika group), the three-way comparison of parsing-layer tools (MinerU, Marker, Docling), scanned-document benchmarks (10 tools tested against historical exam papers), and finally Agentic Parsing to explain why fixed pipelines aren't enough. This post focuses on one parsing-layer tool that's easy to overlook: Docling.

Docling is an open-source document parsing standard library started by IBM Research Zurich and now governed by the Linux Foundation AI & Data (MIT License, v2.100.0 released 2026-06-09, 66.1k stars, 4.8k forks). It shares the same parsing-layer category as MinerU — handling scanned pages, complex layouts, tables, and formulas — but takes a fundamentally different design path: Docling's core value isn't "preserving the full text as Markdown," but "standardizing document parsing into exchangeable, composable, structured data that can export to dedicated formats." For scenarios that need parsed results fed directly into structured databases, dedicated XML exports (patents, journal articles, financial reports), or commercial deployment without licensing thresholds (MIT, no MAU/revenue thresholds, no attribution requirements, no automatic termination), Docling is the clear — and irreplaceable — choice.

它想解決什麼

Docling's official positioning is straightforward: it converts complex documents (PDF, DOCX, PPTX, XLSX, HTML, EPUB, Apple Pages, video, audio, email, XBRL financial reports, and more) into machine-readable structured data, preserving layout structure, table semantics, formula representation, image-text associations, and scanned-document readability along the way. Unlike basic OCR tools (which only extract text without preserving structure), Docling breaks parsing into a swappable, debuggable, multi-stage pipeline (layout detection → block classification → reading order → content recognition), where each stage can use a different engine, run partially, or be handled by different models (pure rule-based engines or VlmPipeline).

This creates a clear division from MinerU in applicable scenarios:

• When structured JSON — not Markdown — is the core output (e.g., feeding directly into structured databases, or needing dedicated XML exports like DocLang or patent formats), Docling is the clear choice.
• When processing video (MP4/AVI/MOV/MKV/WebM) with ASR transcription and keyframes, or audio (WAV/MP3) parsing, Docling is one of the few native options in the parsing layer (MinerU does not support video/audio as input).
• When pure MIT licensing and no commercial thresholds are required (in contrast to MinerU's custom agreement, which imposes commercial licensing thresholds and attribution obligations), Docling offers a lower barrier for commercial deployment.
• When dedicated format exports (USPTO patents, JATS journal articles, XBRL financial reports, DocTags annotations) are needed instead of generic Markdown, Docling provides native support; MinerU has no such feature.

In short: if your challenge is "turn complex documents into structured, exchangeable data that can export to dedicated formats and deploy freely in commercial settings," Docling is the most direct parsing-layer tool; if your challenge is "preserve the full text as Markdown so both humans and LLMs can read it directly, with strong scanned-document repair and formula/table semantic preservation," then MinerU remains the more appropriate choice. They are not replacements but complementary options within the same parsing layer, each with a distinct design trade-off.

Core Capabilities (Verified: Official docs + GitHub source + LICENSE file + release history)

Verified claim-by-claim against the official documentation (docling-project.github.io/docling for Docling's official docs; opendatalab.github.io/MinerU as the parsing-layer comparison reference; github.com/docling-project/docling for README.md and CHANGELOG.md; LICENSE file; Discussion #1184 for Linux Foundation AI & Data donation record; PyPI for v2.100.0 version info).

Input Format Breadth (Verified: Official Key Features full list)

• Native digital documents: PDF, DOCX, PPTX, XLSX, HTML, EPUB, Apple Pages (.pages, covering both container generations: Pages 5+ and iWork '09), ODF (.odt, .ods, .odp), LaTeX, plain text (.txt, .text), Markdown supersets (.qmd, .Rmd).
• Scanned and image input: PNG, TIFF, JPEG, and more (image inputs including scanned PDF OCR repair).
• Multimedia and communication: video (MP4, AVI, MOV, MKV, WebM, with ASR transcription and representative keyframe extraction), audio (WAV, MP3, ASR transcription), email (EML, MSG), WebVTT subtitles, Box Notes.
• Specialized and financial formats: XBRL (eXtensible Business Reporting Language, for financial reports), DocLang (structured document description standard).

Compared to MinerU's input scope (PDF, images, DOCX, PPTX, XLSX — without video/audio/email/ODF/XBRL/DocLang support), Docling's format breadth is clearly broader. This represents the clear division within the parsing layer between "format depth" (Docling) and "structural semantic preservation depth" (MinerU).

Core Output (Verified: Official Reference / Output File Format + README feature list)

• Structured JSON (DoclingDocument) as core: Unlike MinerU, where Markdown is the primary human-readable output and JSON is supplementary for machine reading, Docling treats the unified structured representation (DoclingDocument, containing headings, paragraphs, lists, tables, formulas, image descriptions, layout blocks, image-text associations, and reading order) as its core output, with Markdown and HTML as export options rather than the reverse.
• Dedicated XML exports (Verified: Reference explicitly lists these): DocLang (general structured description), USPTO (U.S. Patent and Trademark Office patent document format), JATS (journal article format), XBRL (financial report format), and DocTags (structured annotation standard, see arXiv:2503.11576). These are clearly distinct from MinerU, which has no dedicated XML export capability, making Docling irreplaceable when parsed results must feed directly into specialized systems (patent search, academic databases, financial analysis platforms).
• Multimodal and universal output: Markdown (human- and LLM-readable), HTML, WebVTT (video/audio transcription subtitle format), lossless JSON (preserving full structural information without simplifying to raw text).

Parsing Engine: Pipeline-Style with Swappable Stages (Verified: Official Usage + README feature list)

• Swappable stages (Verified): The parsing process is broken into multiple stages (layout detection → block classification → reading order → content recognition: OCR / table structure / formula / image description). Each stage can use a different engine (e.g., different OCR engine, different VLM model, different table recognition algorithm), run partially (e.g., only layout detection without content recognition), or be debugged independently (each stage's output can be inspected separately). This is a fundamental design difference from MinerU's Hybrid approach (effort parameter medium/high controls parsing depth within a single engine, stages are not independently swappable): Docling offers greater stage-level flexibility, making it ideal for engineering scenarios that need fine-grained control over each parsing step or different engine combinations per document type.
• Pure CPU and GPU acceleration (Verified): Supports pure CPU operation (default pipeline path, low resource consumption), with GPU (CUDA), NPU (CANN), and MPS (Apple Silicon) acceleration. Similar to MinerU's recommendation of GPU for high-precision parsing, but Docling clearly separates the default low-resource pipeline path from the high-precision VlmPipeline (GraniteDocling) GPU path.

VlmPipeline and Model Choice (Verified: Official docs + README + PyPI version info)

• 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）。

Deployment, Services, and Integrations (Verified: Official Usage / Quickstart / Integrations + README feature list)

• 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）。

Comparison with Alternative Tools (Verified: Existing series articles layout-ocr.md, anydoc-rust-document-markdown.md, benchmark.md, three-layers.md reference data, plus this session's new verification)

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）：

Suitable Scenarios (Verified: Official Usage and Integrations + series existing scenario descriptions)

• 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。

Deployment and Real-World Limitations (Verified: Official Usage + Quickstart + README feature list + version info)

• 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。

Overall Trade-Off (Verified: Series existing article comparison + this session's new verification info)

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。

References

• 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）