Docling v2 遷移指南DocumentConverter、CLI 與 DoclingDocument 的完整用法解析【免費下載鏈接】doclingGet your documents ready for gen AI項目地址: https://gitcode.com/GitHub_Trending/do/doclingDocling v2 是一次面向多格式文檔理解與轉換的 API 重構它統(tǒng)一了 CLI 的輸入輸出格式聲明方式--from/--to重寫了DocumentConverter的初始化模型按格式白名單 按格式定制選項并將所有文檔導出能力從ConversionResult遷移到了新的通用文檔表示DoclingDocument上。讀完本文你將掌握 v2 的 CLI 語法、DocumentConverter的完整配置方式、convert/convert_all的調用與錯誤處理語義以及DoclingDocument的迭代、導出、JSON 持久化與重新加載、分塊Chunking等核心實戰(zhàn)能力并了解這些 API 在源碼中的真實實現(xiàn)位置。Docling v2 帶來什么Docling v2 引入了三類新特性見 docs/v2.md多格式理解與轉換支持 PDF、MS Word、MS PowerPoint、HTML 以及多種圖片格式的解析與轉換通用文檔表示產(chǎn)出新的通用文檔表示即DoclingDocument可以封裝完整的文檔層級結構標題、正文、表格、圖片等全新的 API 與 CLI轉換入口、格式聲明、導出方式全部圍繞新的文檔模型重新設計。從源碼結構看這一“新 API”的核心入口就是 DocumentConverter它在初始化時維護allowed_formats允許轉換的輸入格式白名單與format_to_options每個格式對應的FormatOption包含 pipeline 類、pipeline 選項和文檔后端轉換方法統(tǒng)一返回攜帶DoclingDocument的ConversionResult。CLI 的語法變化Docling v2 更新了命令行語法以支持多種格式。典型用法如下與 docs/v2.md 中一致# 將單個文件轉換為 Markdown默認輸出 docling myfile.pdf # 將單個文件轉換為 JSON 和 Markdown并關閉 OCR docling myfile.pdf --to json --to md --no-ocr # 將輸入目錄中的 PDF 文件轉換為 Markdown默認 docling ./input/dir --from pdf # 將輸入目錄中的 PDF 和 Word 文件轉換為 Markdown 和 JSON docling ./input/dir --from pdf --from docx --to md --to json --output ./scratch # 轉換輸入目錄中所有受支持的文件遇到第一個錯誤即中止 docling ./input/dir --output ./scratch --abort-on-error相對 Docling v1 的關鍵變化移除了針對不同導出格式的獨立開關統(tǒng)一替換為--from輸入格式與--to輸出格式參數(shù)新增--abort-on-error批處理轉換中一旦遇到錯誤立即中止移除了原來針對 PDF 的--backend選項。這些變化都能在 CLI 源碼中得到印證。docling/cli/main.py 中定義了--from與--to兩個多值選項--to缺省時默認輸出 Markdown見 docling/cli/main.py#L1270-L1271。--abort-on-error在 docling/cli/main.py#L999-L1006 中實現(xiàn)幫助文本明確其為“遇到第一個錯誤時中止處理”。需要說明的是v1 的--backend雖然被移除但當前 CLI 以--pdf-backend的方式保留了 PDF 解析后端的選擇能力其取值為PdfBackend枚舉默認THREADED_DOCLING_PARSE見 docling/cli/main.py#L924-L926。輸入格式枚舉InputFormat與輸出格式枚舉OutputFormat定義在 docling/datamodel/base_models.py#L97-L145--from/--to接受的具體字符串取值即以這兩個枚舉為準。此外當?shù)谝粋€參數(shù)不是子命令時CLI 會通過 自定義 Typer 命令組 自動路由到convert命令因此docling myfile.pdf這種“裸調用”形式依然可用。設置 DocumentConverter格式白名單與按格式定制為了容納多種輸入格式v2 改變了DocumentConverter的初始化方式你可以在初始化時定義一份允許的格式列表allowed_formats并按格式提供自定義選項format_options。默認情況下所有受支持格式都被允許若未提供format_options則所有allowed_formats都會使用各自的默認值。格式選項可以包含要使用的 pipeline 類、傳給 pipeline 的選項以及文檔后端。它們以格式專屬類型提供例如PdfFormatOption、WordFormatOption等from docling.document_converter import DocumentConverter from docling.datamodel.base_models import InputFormat from docling.document_converter import ( DocumentConverter, PdfFormatOption, WordFormatOption, ) from docling.pipeline.simple_pipeline import SimplePipeline from docling.pipeline.standard_pdf_pipeline import StandardPdfPipeline from docling.datamodel.pipeline_options import PdfPipelineOptions from docling.backend.pypdfium2_backend import PyPdfiumDocumentBackend ## 默認初始化方式保持不變 # doc_converter DocumentConverter() # 原先的 PipelineOptions 現(xiàn)在叫 PdfPipelineOptions pipeline_options PdfPipelineOptions() pipeline_options.do_ocr False pipeline_options.do_table_structure True #... ## 自定義選項現(xiàn)在按格式定義。 doc_converter ( DocumentConverter( # 下面所有參數(shù)都是可選的內(nèi)部有默認值。 allowed_formats[ InputFormat.PDF, InputFormat.IMAGE, InputFormat.DOCX, InputFormat.HTML, InputFormat.PPTX, ], # 格式白名單不匹配的文件會被忽略。 format_options{ InputFormat.PDF: PdfFormatOption( pipeline_optionspipeline_options, # pipeline 選項放這里。 backendPyPdfiumDocumentBackend # 可選選用其他后端 ), InputFormat.DOCX: WordFormatOption( pipeline_clsSimplePipeline # 辦公格式和 HTML 的默認值 ), }, ) )提示如果只使用默認配置v2 的行為與 v1 完全一致。從源碼看這一機制在 DocumentConverter.init中實現(xiàn)allowed_formats為None時取list(InputFormat)即全量受支持格式format_to_options對每個允許的格式做“自定義選項優(yōu)先否則回落到默認選項”的填充默認選項由內(nèi)部映射表給出——例如 PDF 默認使用StandardPdfPipelineThreadedDoclingParseDocumentBackend而 DOCX/PPTX/HTML/ODT 等辦公與網(wǎng)頁格式默認使用SimplePipeline見 _get_default_optionFormatOption基類帶有模型校驗器若未顯式提供pipeline_options會自動用pipeline_cls.get_default_options()填充見 docling/document_converter.py#L103-L117。BaseFormatOption的結構pipeline_options與backend兩個核心字段定義在 docling/datamodel/base_models.py#L74-L85。完整的多格式轉換示例可參考 docs/examples/run_with_formats.py它演示了混合文件列表PDF、DOCX、PPTX、HTML、圖片等的轉換與導出PDF 側的 pipeline 與后端組合示例見 docs/examples/custom_convert.py。更深入的轉換參數(shù)請查看參考文檔 docs/reference/document_converter.md 與 docs/reference/pipeline_options.md。轉換文檔convert 與 convert_allv2 簡化了向DocumentConverter提供輸入的方式并為轉換方法重新命名以獲得更清晰的語義你可以直接用單個文件、文件列表或DocumentStream對象發(fā)起轉換而無需先構造DocumentConversionInput對象。DocumentConverter.convert現(xiàn)在負責轉換單個文件輸入此前為convert_singleDocumentConverter.convert_all現(xiàn)在負責一次轉換多個文件此前為convert。from docling.datamodel.document import ConversionResult ## 轉換單個文件支持 URL 或本地路徑 conv_result: ConversionResult doc_converter.convert(https://arxiv.org/pdf/2408.09869) # 原先為 convert_single ## 一次轉換多個文件 input_files [ tests/data/html/wiki_duck.html, tests/data/docx/word_sample.docx, tests/data/docx/lorem_ipsum.docx, tests/data/pptx/powerpoint_sample.pptx, tests/data/2305.03393v1-pg9-img.png, tests/data/pdf/2206.01062.pdf, ] # 直接把文件列表或流傳給 convert_all conv_results_iter doc_converter.convert_all(input_files) # 原先為 convert通過raises_on_error參數(shù)你可以控制轉換在首次遇到問題時是拋出異常還是“韌性”地把所有文件都轉換完、將錯誤反映在每個文件的轉換狀態(tài)中。默認情況下任何錯誤會立即拋出并中止轉換此前 v1 會吞掉異常。conv_results_iter doc_converter.convert_all(input_files, raises_on_errorFalse) # 原先為 convert源碼層面convert 內(nèi)部把單個 source 包裝成單元素列表后委托給 convert_allraises_on_errorTrue時只要某個結果的status不在SUCCESS/PARTIAL_SUCCESS中就會拋出ConversionError并攜帶各ErrorItem的錯誤信息見 docling/document_converter.py#L576-L591。轉換狀態(tài)枚舉ConversionStatuspending/started/failure/success/partial_success/skipped定義在 docling/datamodel/base_models.py#L88-L94。此外convert/convert_all均標注了validate_call嚴格校驗并額外接受max_num_pages、max_file_size、page_range等限制參數(shù)可用于控制單文檔頁數(shù)上限與頁碼范圍。訪問文檔結構DoclingDocumentv2 同樣簡化了訪問與導出轉換結果的方式。通用文檔表示現(xiàn)在以DoclingDocument對象的形式出現(xiàn)在轉換結果中。DoclingDocument提供了一組便捷的 API用于構建、迭代和導出文檔內(nèi)容import pandas as pd from docling_core.types.doc import TextItem, TableItem conv_result: ConversionResult doc_converter.convert(https://arxiv.org/pdf/2408.09869) # 原先為 convert_single ## 查看轉換后的文檔結構 conv_result.document.print_element_tree() ## 按閱讀順序迭代元素含層級級別 for item, level in conv_result.document.iterate_items(): if isinstance(item, TextItem): print(item.text) elif isinstance(item, TableItem): table_df: pd.DataFrame item.export_to_dataframe(docconv_result.document) print(table_df.to_markdown()) elif ...: #...??廢棄說明對 Docling v1 文檔表示conv_result.legacy_document的支持已被完全移除現(xiàn)在必須使用 v2 格式## 使用更新后的 v2 文檔表示 conv_result.document導出為 JSON、Markdown、Doctags注意v1 中ConversionResult上的所有render_...方法已在 Docling v2 中移除現(xiàn)統(tǒng)一掛在DoclingDocument上DoclingDocument.export_to_dictDoclingDocument.export_to_markdownDoclingDocument.export_to_document_tokensconv_result: ConversionResult doc_converter.convert(https://arxiv.org/pdf/2408.09869) # 原先為 convert_single ## 導出為所需格式 print(json.dumps(conv_res.document.export_to_dict())) print(conv_res.document.export_to_markdown()) print(conv_res.document.export_to_document_tokens())??廢棄說明legacy_document的導出路徑已被完全移除。作為歷史參考v1 的舊寫法如下在當前版本中會失敗## ? 已移除此 v1 代碼塊不再可用 print(json.dumps(conv_res.legacy_document.export_to_dict())) print(conv_res.legacy_document.export_to_markdown()) print(conv_res.legacy_document.export_to_document_tokens())從 CLI 側的實現(xiàn)可以看到當前支持的完整導出面export_documents 中依次處理了 JSON、YAML、HTML含按頁拆分、Text、Markdown、Doctags、WebVTT、DocLang、DCLX 與 Chunks 等格式其中 Markdown 導出為空時還會回寫ErrorItem并把狀態(tài)置為FAILURE。這印證了 v2 的設計導出邏輯全部收斂在DoclingDocument之上ConversionResult只負責攜帶文檔與轉換元數(shù)據(jù)。從 JSON 重新加載 DoclingDocument你可以把DoclingDocument以 JSON 格式保存到磁盤并在之后重新加載# 保存到磁盤 doc: DoclingDocument conv_res.document # 由轉換結果產(chǎn)出 with Path(./doc.json).open(w) as fp: fp.write(json.dumps(doc.export_to_dict())) # 用 export_to_dict 保證一致性 # 從磁盤加載 with Path(./doc.json).open(r) as fp: doc_dict json.loads(fp.read()) doc DoclingDocument.model_validate(doc_dict) # 用標準 pydantic API 填充文檔由于DoclingDocument是 Pydantic 模型export_to_dict與model_validate構成一對可逆操作先導出為 dict 保證序列化口徑一致再用標準的 Pydantic API 反序列化。這意味著DoclingDocument的 JSON 文件可以作為文檔資產(chǎn)獨立流轉、入庫或作為下游任務如分塊、檢索、再加工的中間格式而無需重新運行轉換管線。Chunking面向檢索的分塊Docling v2 定義了新的分塊基類體系BaseMetachunk 元數(shù)據(jù)BaseChunk包含 chunk 文本與元數(shù)據(jù)BaseChunker分塊器基類從DoclingDocument產(chǎn)出 chunks。在此之上v2 提供了更新后的HierarchicalChunker實現(xiàn)它利用新的DoclingDocument輸出更豐富的 chunk 格式包括用于定位grounding的相應 doc items適用的標題headings作為上下文適用的題注captions作為上下文。分塊的完整用法包括HybridChunker、LineBasedTokenChunker以及分塊依賴的安裝方式請參閱 Chunking 概念文檔CLI 中--to chunks選項也內(nèi)置了hybrid/hierarchical兩種分塊器見 docling/cli/main.py#L177-L180。相關示例還包括 docs/examples/hybrid_chunking.ipynb 與 docs/examples/trivial_chunking.py。遷移要點小結主題Docling v1Docling v2CLI 格式聲明各導出格式獨立開關--from/--to參數(shù)批處理錯誤吞掉異常新增--abort-on-errorAPI 側默認raises_on_errorTruePDF 后端--backend移除現(xiàn)由--pdf-backendAPI 側為PdfFormatOption.backend表達轉換入口convert_single/convertconvert單文件/convert_all多文件文檔結果legacy_documentrender_...conv_result.documentDoclingDocumentexport_to_*初始化全局PipelineOptionsallowed_formats白名單 按格式的PdfFormatOption等整體上v2 的遷移路徑是清晰的如果你只依賴默認配置代碼可以原樣保留一旦需要定制把“全局 pipeline 選項”思維切換為“按格式定制”思維format_options并把所有文檔訪問與導出改走conv_result.document即可完成從 v1 到 v2 的平滑過渡。更多 API 細節(jié)可繼續(xù)參考 docs/reference/docling_document.md 與 docs/reference/cli.md。【免費下載鏈接】doclingGet your documents ready for gen AI項目地址: https://gitcode.com/GitHub_Trending/do/docling創(chuàng)作聲明：本文部分內(nèi)容由AI輔助生成（AIGC），僅供參考 Docling v2 遷移指南：DocumentConverter、CLI 與 DoclingDocument 的完整用法解析
Docling v2 遷移指南DocumentConverter、CLI 與 DoclingDocument 的完整用法解析【免費下載鏈接】doclingGet your documents ready for gen AI項目地址: https://gitcode.com/GitHub_Trending/do/doclingDocling v2 是一次面向多格式文檔理解與轉換的 API 重構它統(tǒng)一了 CLI 的輸入輸出格式聲明方式--from/--to重寫了DocumentConverter的初始化模型按格式白名單 按格式定制選項并將所有文檔導出能力從ConversionResult遷移到了新的通用文檔表示DoclingDocument上。讀完本文你將掌握 v2 的 CLI 語法、DocumentConverter的完整配置方式、convert/convert_all的調用與錯誤處理語義以及DoclingDocument的迭代、導出、JSON 持久化與重新加載、分塊Chunking等核心實戰(zhàn)能力并了解這些 API 在源碼中的真實實現(xiàn)位置。Docling v2 帶來什么Docling v2 引入了三類新特性見 docs/v2.md多格式理解與轉換支持 PDF、MS Word、MS PowerPoint、HTML 以及多種圖片格式的解析與轉換通用文檔表示產(chǎn)出新的通用文檔表示即DoclingDocument可以封裝完整的文檔層級結構標題、正文、表格、圖片等全新的 API 與 CLI轉換入口、格式聲明、導出方式全部圍繞新的文檔模型重新設計。從源碼結構看這一“新 API”的核心入口就是 DocumentConverter它在初始化時維護allowed_formats允許轉換的輸入格式白名單與format_to_options每個格式對應的FormatOption包含 pipeline 類、pipeline 選項和文檔后端轉換方法統(tǒng)一返回攜帶DoclingDocument的ConversionResult。CLI 的語法變化Docling v2 更新了命令行語法以支持多種格式。典型用法如下與 docs/v2.md 中一致# 將單個文件轉換為 Markdown默認輸出 docling myfile.pdf # 將單個文件轉換為 JSON 和 Markdown并關閉 OCR docling myfile.pdf --to json --to md --no-ocr # 將輸入目錄中的 PDF 文件轉換為 Markdown默認 docling ./input/dir --from pdf # 將輸入目錄中的 PDF 和 Word 文件轉換為 Markdown 和 JSON docling ./input/dir --from pdf --from docx --to md --to json --output ./scratch # 轉換輸入目錄中所有受支持的文件遇到第一個錯誤即中止 docling ./input/dir --output ./scratch --abort-on-error相對 Docling v1 的關鍵變化移除了針對不同導出格式的獨立開關統(tǒng)一替換為--from輸入格式與--to輸出格式參數(shù)新增--abort-on-error批處理轉換中一旦遇到錯誤立即中止移除了原來針對 PDF 的--backend選項。這些變化都能在 CLI 源碼中得到印證。docling/cli/main.py 中定義了--from與--to兩個多值選項--to缺省時默認輸出 Markdown見 docling/cli/main.py#L1270-L1271。--abort-on-error在 docling/cli/main.py#L999-L1006 中實現(xiàn)幫助文本明確其為“遇到第一個錯誤時中止處理”。需要說明的是v1 的--backend雖然被移除但當前 CLI 以--pdf-backend的方式保留了 PDF 解析后端的選擇能力其取值為PdfBackend枚舉默認THREADED_DOCLING_PARSE見 docling/cli/main.py#L924-L926。輸入格式枚舉InputFormat與輸出格式枚舉OutputFormat定義在 docling/datamodel/base_models.py#L97-L145--from/--to接受的具體字符串取值即以這兩個枚舉為準。此外當?shù)谝粋€參數(shù)不是子命令時CLI 會通過 自定義 Typer 命令組 自動路由到convert命令因此docling myfile.pdf這種“裸調用”形式依然可用。設置 DocumentConverter格式白名單與按格式定制為了容納多種輸入格式v2 改變了DocumentConverter的初始化方式你可以在初始化時定義一份允許的格式列表allowed_formats并按格式提供自定義選項format_options。默認情況下所有受支持格式都被允許若未提供format_options則所有allowed_formats都會使用各自的默認值。格式選項可以包含要使用的 pipeline 類、傳給 pipeline 的選項以及文檔后端。它們以格式專屬類型提供例如PdfFormatOption、WordFormatOption等from docling.document_converter import DocumentConverter from docling.datamodel.base_models import InputFormat from docling.document_converter import ( DocumentConverter, PdfFormatOption, WordFormatOption, ) from docling.pipeline.simple_pipeline import SimplePipeline from docling.pipeline.standard_pdf_pipeline import StandardPdfPipeline from docling.datamodel.pipeline_options import PdfPipelineOptions from docling.backend.pypdfium2_backend import PyPdfiumDocumentBackend ## 默認初始化方式保持不變 # doc_converter DocumentConverter() # 原先的 PipelineOptions 現(xiàn)在叫 PdfPipelineOptions pipeline_options PdfPipelineOptions() pipeline_options.do_ocr False pipeline_options.do_table_structure True #... ## 自定義選項現(xiàn)在按格式定義。 doc_converter ( DocumentConverter( # 下面所有參數(shù)都是可選的內(nèi)部有默認值。 allowed_formats[ InputFormat.PDF, InputFormat.IMAGE, InputFormat.DOCX, InputFormat.HTML, InputFormat.PPTX, ], # 格式白名單不匹配的文件會被忽略。 format_options{ InputFormat.PDF: PdfFormatOption( pipeline_optionspipeline_options, # pipeline 選項放這里。 backendPyPdfiumDocumentBackend # 可選選用其他后端 ), InputFormat.DOCX: WordFormatOption( pipeline_clsSimplePipeline # 辦公格式和 HTML 的默認值 ), }, ) )提示如果只使用默認配置v2 的行為與 v1 完全一致。從源碼看這一機制在 DocumentConverter.init中實現(xiàn)allowed_formats為None時取list(InputFormat)即全量受支持格式format_to_options對每個允許的格式做“自定義選項優(yōu)先否則回落到默認選項”的填充默認選項由內(nèi)部映射表給出——例如 PDF 默認使用StandardPdfPipelineThreadedDoclingParseDocumentBackend而 DOCX/PPTX/HTML/ODT 等辦公與網(wǎng)頁格式默認使用SimplePipeline見 _get_default_optionFormatOption基類帶有模型校驗器若未顯式提供pipeline_options會自動用pipeline_cls.get_default_options()填充見 docling/document_converter.py#L103-L117。BaseFormatOption的結構pipeline_options與backend兩個核心字段定義在 docling/datamodel/base_models.py#L74-L85。完整的多格式轉換示例可參考 docs/examples/run_with_formats.py它演示了混合文件列表PDF、DOCX、PPTX、HTML、圖片等的轉換與導出PDF 側的 pipeline 與后端組合示例見 docs/examples/custom_convert.py。更深入的轉換參數(shù)請查看參考文檔 docs/reference/document_converter.md 與 docs/reference/pipeline_options.md。轉換文檔convert 與 convert_allv2 簡化了向DocumentConverter提供輸入的方式并為轉換方法重新命名以獲得更清晰的語義你可以直接用單個文件、文件列表或DocumentStream對象發(fā)起轉換而無需先構造DocumentConversionInput對象。DocumentConverter.convert現(xiàn)在負責轉換單個文件輸入此前為convert_singleDocumentConverter.convert_all現(xiàn)在負責一次轉換多個文件此前為convert。from docling.datamodel.document import ConversionResult ## 轉換單個文件支持 URL 或本地路徑 conv_result: ConversionResult doc_converter.convert(https://arxiv.org/pdf/2408.09869) # 原先為 convert_single ## 一次轉換多個文件 input_files [ tests/data/html/wiki_duck.html, tests/data/docx/word_sample.docx, tests/data/docx/lorem_ipsum.docx, tests/data/pptx/powerpoint_sample.pptx, tests/data/2305.03393v1-pg9-img.png, tests/data/pdf/2206.01062.pdf, ] # 直接把文件列表或流傳給 convert_all conv_results_iter doc_converter.convert_all(input_files) # 原先為 convert通過raises_on_error參數(shù)你可以控制轉換在首次遇到問題時是拋出異常還是“韌性”地把所有文件都轉換完、將錯誤反映在每個文件的轉換狀態(tài)中。默認情況下任何錯誤會立即拋出并中止轉換此前 v1 會吞掉異常。conv_results_iter doc_converter.convert_all(input_files, raises_on_errorFalse) # 原先為 convert源碼層面convert 內(nèi)部把單個 source 包裝成單元素列表后委托給 convert_allraises_on_errorTrue時只要某個結果的status不在SUCCESS/PARTIAL_SUCCESS中就會拋出ConversionError并攜帶各ErrorItem的錯誤信息見 docling/document_converter.py#L576-L591。轉換狀態(tài)枚舉ConversionStatuspending/started/failure/success/partial_success/skipped定義在 docling/datamodel/base_models.py#L88-L94。此外convert/convert_all均標注了validate_call嚴格校驗并額外接受max_num_pages、max_file_size、page_range等限制參數(shù)可用于控制單文檔頁數(shù)上限與頁碼范圍。訪問文檔結構DoclingDocumentv2 同樣簡化了訪問與導出轉換結果的方式。通用文檔表示現(xiàn)在以DoclingDocument對象的形式出現(xiàn)在轉換結果中。DoclingDocument提供了一組便捷的 API用于構建、迭代和導出文檔內(nèi)容import pandas as pd from docling_core.types.doc import TextItem, TableItem conv_result: ConversionResult doc_converter.convert(https://arxiv.org/pdf/2408.09869) # 原先為 convert_single ## 查看轉換后的文檔結構 conv_result.document.print_element_tree() ## 按閱讀順序迭代元素含層級級別 for item, level in conv_result.document.iterate_items(): if isinstance(item, TextItem): print(item.text) elif isinstance(item, TableItem): table_df: pd.DataFrame item.export_to_dataframe(docconv_result.document) print(table_df.to_markdown()) elif ...: #...??廢棄說明對 Docling v1 文檔表示conv_result.legacy_document的支持已被完全移除現(xiàn)在必須使用 v2 格式## 使用更新后的 v2 文檔表示 conv_result.document導出為 JSON、Markdown、Doctags注意v1 中ConversionResult上的所有render_...方法已在 Docling v2 中移除現(xiàn)統(tǒng)一掛在DoclingDocument上DoclingDocument.export_to_dictDoclingDocument.export_to_markdownDoclingDocument.export_to_document_tokensconv_result: ConversionResult doc_converter.convert(https://arxiv.org/pdf/2408.09869) # 原先為 convert_single ## 導出為所需格式 print(json.dumps(conv_res.document.export_to_dict())) print(conv_res.document.export_to_markdown()) print(conv_res.document.export_to_document_tokens())??廢棄說明legacy_document的導出路徑已被完全移除。作為歷史參考v1 的舊寫法如下在當前版本中會失敗## ? 已移除此 v1 代碼塊不再可用 print(json.dumps(conv_res.legacy_document.export_to_dict())) print(conv_res.legacy_document.export_to_markdown()) print(conv_res.legacy_document.export_to_document_tokens())從 CLI 側的實現(xiàn)可以看到當前支持的完整導出面export_documents 中依次處理了 JSON、YAML、HTML含按頁拆分、Text、Markdown、Doctags、WebVTT、DocLang、DCLX 與 Chunks 等格式其中 Markdown 導出為空時還會回寫ErrorItem并把狀態(tài)置為FAILURE。這印證了 v2 的設計導出邏輯全部收斂在DoclingDocument之上ConversionResult只負責攜帶文檔與轉換元數(shù)據(jù)。從 JSON 重新加載 DoclingDocument你可以把DoclingDocument以 JSON 格式保存到磁盤并在之后重新加載# 保存到磁盤 doc: DoclingDocument conv_res.document # 由轉換結果產(chǎn)出 with Path(./doc.json).open(w) as fp: fp.write(json.dumps(doc.export_to_dict())) # 用 export_to_dict 保證一致性 # 從磁盤加載 with Path(./doc.json).open(r) as fp: doc_dict json.loads(fp.read()) doc DoclingDocument.model_validate(doc_dict) # 用標準 pydantic API 填充文檔由于DoclingDocument是 Pydantic 模型export_to_dict與model_validate構成一對可逆操作先導出為 dict 保證序列化口徑一致再用標準的 Pydantic API 反序列化。這意味著DoclingDocument的 JSON 文件可以作為文檔資產(chǎn)獨立流轉、入庫或作為下游任務如分塊、檢索、再加工的中間格式而無需重新運行轉換管線。Chunking面向檢索的分塊Docling v2 定義了新的分塊基類體系BaseMetachunk 元數(shù)據(jù)BaseChunk包含 chunk 文本與元數(shù)據(jù)BaseChunker分塊器基類從DoclingDocument產(chǎn)出 chunks。在此之上v2 提供了更新后的HierarchicalChunker實現(xiàn)它利用新的DoclingDocument輸出更豐富的 chunk 格式包括用于定位grounding的相應 doc items適用的標題headings作為上下文適用的題注captions作為上下文。分塊的完整用法包括HybridChunker、LineBasedTokenChunker以及分塊依賴的安裝方式請參閱 Chunking 概念文檔CLI 中--to chunks選項也內(nèi)置了hybrid/hierarchical兩種分塊器見 docling/cli/main.py#L177-L180。相關示例還包括 docs/examples/hybrid_chunking.ipynb 與 docs/examples/trivial_chunking.py。遷移要點小結主題Docling v1Docling v2CLI 格式聲明各導出格式獨立開關--from/--to參數(shù)批處理錯誤吞掉異常新增--abort-on-errorAPI 側默認raises_on_errorTruePDF 后端--backend移除現(xiàn)由--pdf-backendAPI 側為PdfFormatOption.backend表達轉換入口convert_single/convertconvert單文件/convert_all多文件文檔結果legacy_documentrender_...conv_result.documentDoclingDocumentexport_to_*初始化全局PipelineOptionsallowed_formats白名單 按格式的PdfFormatOption等整體上v2 的遷移路徑是清晰的如果你只依賴默認配置代碼可以原樣保留一旦需要定制把“全局 pipeline 選項”思維切換為“按格式定制”思維format_options并把所有文檔訪問與導出改走conv_result.document即可完成從 v1 到 v2 的平滑過渡。更多 API 細節(jié)可繼續(xù)參考 docs/reference/docling_document.md 與 docs/reference/cli.md。【免費下載鏈接】doclingGet your documents ready for gen AI項目地址: https://gitcode.com/GitHub_Trending/do/docling創(chuàng)作聲明：本文部分內(nèi)容由AI輔助生成（AIGC），僅供參考