Docling 文档

Docling v2 引入了一种统一的文档表示格式，称为 DoclingDocument。它被定义为一个 pydantic 数据类型，可以表达文档共有的多种特性，例如

• 文本、表格、图片等
• 包含章节和分组的文档层级结构
• 区分正文与页眉、页脚（修饰性元素）
• 所有项的布局信息（即 bounding box），如果可用
• 来源信息

Pydantic 类型的定义在模块 docling_core.types.doc 中实现，更多详细信息请参见源代码定义。

它还提供了一套文档构建 API，可以从零开始构建 DoclingDocument。

文档结构示例

为了说明 DoclingDocument 格式的特性，在下面的小节中，我们以从 tests/data/word_sample.docx 转换而来的 DoclingDocument 为例，并提供了一些并排比较，左侧显示了序列化为 YAML 的转换后文档的片段，右侧显示了原始 MS Word 中对应的部分。

基本结构

DoclingDocument 暴露了文档内容的顶层字段，分为两类。第一类是内容项，它们存储在以下字段中

• texts：所有具有文本表示的项（段落、节标题、公式等）。基类是 TextItem。
• tables：所有表格，类型为 TableItem。可以带有结构标注。
• pictures：所有图片，类型为 PictureItem。可以带有结构标注。
• key_value_items：所有键值项。

以上所有字段都是列表，存储继承自 DocItem 类型的项。它们可以根据其类型表达不同的数据结构，并通过 JSON 指针引用父项和子项。

第二类是内容结构，它封装在

• body：文档正文树形结构的根节点
• furniture：所有不属于正文的项（页眉、页脚等）的树形结构的根节点
• groups：一组不表示内容，但充当其他内容项容器的项（例如列表、章节）

以上所有字段仅存储 NodeItem 实例，它们通过 JSON 指针引用子项和父项。

文档的阅读顺序通过 body 树以及树中每个项的子项顺序来封装。

以下示例展示了第一页中的所有项如何嵌套在 title 项（#/texts/1）下方。

分组

以下示例展示了标题“Let's swim”（#/texts/5）下的所有项如何作为子项嵌套。 “Let's swim” 的子项既有文本项，也有包含列表元素的组。组项存储在顶层 groups 字段中。