Docling - Document & Web Content Extraction
CLI tool for parsing documents and web pages into clean, structured text. Uses GPU acceleration for OCR and ML models.
Prerequisites
- -
docling CLI must be installed (e.g., via pipx install docling) - For GPU support: NVIDIA GPU with CUDA drivers
When to Use
- - Extract content from a URL → Use docling (not webfetch)
- Search for information → Use websearch (Brave)
- Parse PDFs, DOCX, PPTX → Use docling
- OCR on images → Use docling
Quick Commands
Web Page → Markdown (default)
docling "<URL>" --from html --to md
Output: creates a
.md file in current directory (or use
--output)
Web Page → Plain Text
CODEBLOCK1
PDF with OCR
CODEBLOCK2
Key Options
| Option | Values | Description |
|---|
| INLINECODE4 | html, pdf, docx, pptx, image, md, csv, xlsx | Input format |
| INLINECODE5 |
md, text, json, yaml, html | Output format |
|
--device | auto, cuda, cpu | Accelerator (default: auto) |
|
--output | path | Output directory (recommended: use controlled temp dir) |
|
--ocr | flag | Enable OCR for images/scanned PDFs |
|
--tables | flag | Extract tables (default: on) |
Security Notes
⚠️ Avoid these flags unless you trust the source:
- -
--enable-remote-services - can send data to remote endpoints - INLINECODE11 - loads third-party code
- Custom
--headers with untrusted values - can redirect requests
Workflow
- 1. For web content extraction: Use INLINECODE13
- Read the output file from the specified output directory
- Clean up the output directory after reading
GPU Support
Docling supports GPU acceleration via CUDA (NVIDIA). Verify CUDA is available:
CODEBLOCK3
Full CLI Reference
See references/cli-reference.md for complete option list.
Docling - 文档与网页内容提取
用于将文档和网页解析为清晰、结构化文本的CLI工具。支持GPU加速进行OCR和机器学习模型处理。
前置条件
- - 必须安装docling CLI（例如通过pipx install docling安装）
- GPU支持：需配备NVIDIA GPU及CUDA驱动
使用场景
- - 从URL提取内容 → 使用docling（而非webfetch）
- 搜索信息 → 使用websearch（Brave）
- 解析PDF、DOCX、PPTX → 使用docling
- 图像OCR → 使用docling
快速命令
网页 → Markdown（默认）
bash
docling
--from html --to md
输出：在当前目录生成.md文件（或使用--output指定路径）
网页 → 纯文本
bash
docling --from html --to text --output /tmp/docling_out
PDF OCR处理
bash
docling /path/to/file.pdf --ocr --device cuda --output /tmp/docling_out
关键选项
| 选项 | 可选值 | 说明 |
|---|
| --from | html, pdf, docx, pptx, image, md, csv, xlsx | 输入格式 |
| --to |
md, text, json, yaml, html | 输出格式 |
| --device | auto, cuda, cpu | 加速器（默认：auto） |
| --output | 路径 | 输出目录（建议使用受控临时目录） |
| --ocr | 标志 | 启用图像/扫描PDF的OCR功能 |
| --tables | 标志 | 提取表格（默认开启） |
安全注意事项
⚠️ 除非信任来源，否则避免使用以下标志：
- - --enable-remote-services - 可能向远程端点发送数据
- --allow-external-plugins - 加载第三方代码
- 使用不可信值的自定义--headers - 可能重定向请求
工作流程
- 1. 网页内容提取：使用docling --from html --to text --output /tmp/docling_out
- 读取输出文件：从指定的输出目录获取结果
- 清理：读取完成后清理输出目录
GPU支持
Docling通过CUDA（NVIDIA）支持GPU加速。验证CUDA是否可用：
bash
python -c import torch; print(torch.cuda.is_available())
完整CLI参考
完整选项列表请参见 references/cli-reference.md
