Chuyển đến nội dung

docling-project / docling

Docling

Chuyển PDF, Word, PowerPoint, Excel, HTML thành Markdown hoặc JSON gọn gàng để đưa cho AI đọc

Docling là thư viện và công cụ dòng lệnh do IBM Research khởi xướng, nay thuộc quỹ LF AI & Data. Nó đọc nhiều định dạng tài liệu, hiểu bố cục trang, bảng biểu, công thức rồi xuất ra Markdown, HTML hoặc JSON để làm nguyên liệu cho các ứng dụng AI như hỏi đáp tài liệu (RAG).

  • 70.647 sao
  • 5.362 fork
  • Python
  • Cập nhật hôm nay
  • MIT (dùng tự do, kể cả thương mại)
Độ khó
Vừa Cần gõ vài lệnh hoặc dùng Docker
Dạng
Dòng lệnh (CLI), Thư viện lập trình
Chạy trên
Windows, macOS, Linux, Python
Chi phí
Miễn phí hoàn toàn

Trải nghiệm khi dùng Docling

Sau khi cài bằng pip, bạn mở Terminal (cửa sổ gõ lệnh) và gõ docling kèm đường dẫn file hoặc một đường link PDF. Chương trình tải các mô hình phân tích bố cục về ở lần chạy đầu, rồi đọc tài liệu và ghi ra một file .md trong thư mục hiện tại. Mở file đó bạn sẽ thấy tiêu đề, đoạn văn, bảng biểu được giữ thành cấu trúc Markdown thay vì một đống chữ rối.

Với lập trình viên, trải nghiệm chính là vài dòng Python: tạo một DocumentConverter, đưa vào đường dẫn hoặc URL, rồi gọi hàm xuất ra Markdown. Kết quả này là nguyên liệu sạch để cắt nhỏ, nhúng vector và nạp vào hệ thống hỏi đáp tài liệu nội bộ. README cũng nói Docling chạy được cục bộ, phù hợp với dữ liệu nhạy cảm hoặc môi trường không có Internet (sau khi đã tải mô hình).

Docling còn có sẵn chế độ chạy thành dịch vụ (docling-serve), máy chủ MCP để các trợ lý AI gọi trực tiếp và tích hợp với LangChain, LlamaIndex, Crew AI, Haystack. Nếu bạn chỉ cần chuyển vài file PDF thì dùng dòng lệnh là đủ; nếu cần xử lý cả kho tài liệu công ty thì nên nối nó vào quy trình tự động.

Tính năng nổi bật

Đọc rất nhiều định dạng

PDF, DOCX, PPTX, XLSX, HTML, EPUB, ảnh, file âm thanh, email, LaTeX và nhiều định dạng khác, danh sách đầy đủ có trong tài liệu chính thức.

Hiểu bố cục trang PDF

Nhận ra thứ tự đọc, bảng biểu, công thức, đoạn mã và phân loại hình ảnh, nên văn bản ra không bị lẫn cột hay lộn xộn.

Nhiều kiểu kết quả

Xuất Markdown, HTML hoặc JSON giữ nguyên cấu trúc tài liệu (DoclingDocument) để các bước xử lý sau dùng lại.

OCR cho bản scan

Hỗ trợ nhận dạng chữ với PDF scan và ảnh, ngoài ra có thể dùng mô hình thị giác như GraniteDocling.

Chạy cục bộ

Xử lý ngay trên máy hoặc máy chủ của bạn, không bắt buộc gửi tài liệu lên dịch vụ ngoài.

Nối vào hệ sinh thái AI

Có tích hợp sẵn với LangChain, LlamaIndex, Crew AI, Haystack, kèm máy chủ API và máy chủ MCP.

Tận dụng Docling vào việc gì?

IT nội bộ, nhóm làm AI

Chuẩn bị tài liệu công ty cho chatbot nội bộ

Chuyển hàng loạt quy trình, hợp đồng, báo cáo PDF và Word sang Markdown sạch để cắt nhỏ và đưa vào hệ thống hỏi đáp tài liệu.

Phân tích dữ liệu, kế toán

Trích bảng từ báo cáo PDF

Đọc bảng trong báo cáo tài chính hoặc nghiên cứu thành dạng có cấu trúc để dán vào Excel hoặc xử lý tiếp bằng Python.

Sinh viên, người tự học

Biến tài liệu học tập thành ghi chú

Đưa giáo trình PDF hoặc slide PPTX qua Docling lấy Markdown, rồi nhờ một trợ lý AI tóm tắt hoặc tạo câu hỏi ôn tập.

Lập trình viên

Thu thập dữ liệu cho dự án RAG

Làm khâu đọc tài liệu đầu vào cho ứng dụng hỏi đáp, kết hợp với cơ sở dữ liệu vector như Qdrant, Milvus hay Chroma.

Cần chuẩn bị gì?

  • Python 3.10 trở lên (README nói bản 3.9 đã bị bỏ từ phiên bản 2.70.0).
  • Chạy được trên Windows, macOS và Linux, cả chip x86_64 lẫn arm64.
  • Cần Internet ở lần chạy đầu để tải các mô hình phân tích bố cục; dung lượng tuỳ chế độ bạn dùng.
  • Các mô hình nhận dạng nặng hơn (ví dụ mô hình thị giác) chạy nhanh hơn khi có GPU; tài liệu chính thức nêu chi tiết từng chế độ.

Hướng dẫn cài đặt chi tiết

Cài trên pip

  1. Cài Python 3.10 trở lên rồi (khuyến nghị) tạo môi trường ảo để không lẫn với các dự án khác.

    Terminal
    python -m venv .venv
  2. Kích hoạt môi trường ảo. Trên Windows PowerShell dùng lệnh thứ nhất; trên macOS và Linux dùng lệnh thứ hai.

    PowerShell
    .venv\Scripts\Activate.ps1
    # macOS / Linux: source .venv/bin/activate
  3. Cài Docling bằng pip, lệnh chính thức trong README.

    Terminal
    pip install docling
  4. Chi tiết thêm cho từng nền tảng nằm ở trang cài đặt trong tài liệu chính thức: docling-project.github.io/docling.

Dùng thử lần đầu

  1. Chuyển một file PDF trên mạng sang Markdown bằng dòng lệnh (README dùng bài báo trên arXiv làm ví dụ). Kết quả là file .md trong thư mục hiện tại.

    Terminal
    docling https://arxiv.org/pdf/2206.01062
  2. Thay đường link bằng đường dẫn tới file của bạn, ví dụ bao-cao.pdf, rồi chạy lại.

    Terminal
    docling bao-cao.pdf
  3. Muốn dùng trong Python, lưu đoạn mã sau thành thu.py và chạy python thu.py.

    Python
    from docling.document_converter import DocumentConverter
    
    source = "bao-cao.pdf"  # đường dẫn file hoặc URL
    converter = DocumentConverter()
    result = converter.convert(source)
    print(result.document.export_to_markdown())
  4. Thử dùng mô hình thị giác GraniteDocling cho tài liệu khó bằng tuỳ chọn riêng (lần đầu sẽ tải mô hình về).

    Terminal
    docling --vlm-model granite_docling bao-cao.pdf

Mẹo dùng hay

  • Lần chạy đầu thường chậm vì phải tải mô hình; các lần sau nhanh hơn. Hãy thử với một file ngắn trước khi chạy cả thư mục.
  • Đọc phần ví dụ (examples) và công thức (recipes) trong tài liệu chính thức: có sẵn mẫu cắt nhỏ văn bản, xuất sang LangChain hay LlamaIndex.
  • Nếu cần cho trợ lý AI dùng trực tiếp, xem trang hướng dẫn máy chủ MCP của Docling thay vì tự viết mã.

Lưu ý và hạn chế

  • Giấy phép mã nguồn là MIT, nhưng từng mô hình đi kèm có giấy phép riêng; README yêu cầu xem giấy phép gốc của từng mô hình trước khi dùng thương mại.
  • Tài liệu cực phức tạp, scan chất lượng thấp hay chữ tiếng Việt có dấu ở ảnh mờ vẫn có thể ra kết quả sai; nên kiểm tra mẫu trước khi xử lý hàng loạt.
  • Đây là công cụ cho lập trình viên hoặc người quen dòng lệnh, không có ứng dụng cửa sổ bấm chuột sẵn.

Câu hỏi thường gặp

Docling có đọc được tiếng Việt không?

Với PDF có sẵn lớp chữ thì chữ được lấy ra nguyên vẹn. Với bản scan cần OCR, kết quả phụ thuộc bộ OCR bạn chọn và chất lượng ảnh, nên hãy thử trên vài trang mẫu trước.

Có tốn phí hay cần API key không?

Bản mã nguồn mở miễn phí (MIT) và chạy cục bộ, không bắt buộc API key. Chỉ khi bạn nối thêm dịch vụ AI bên ngoài mới phát sinh chi phí của dịch vụ đó.

Khác gì so với chuyển PDF sang Word thông thường?

Docling nhắm tới việc tạo dữ liệu có cấu trúc (Markdown, JSON) cho AI và phần mềm xử lý, không phải để dàn trang đẹp như bản gốc.

Tải mã nguồn về máy

Nếu bạn muốn xem hoặc sửa mã nguồn, mở Terminal (trên Windows là PowerShell) và chạy lệnh dưới. Máy cần cài sẵn Git.

Terminal
git clone https://github.com/docling-project/docling.git

Repo tương tự nên xem

Tài liệu, OCR & hỏi đáp tri thức40,9K

Marker

datalab-to / marker

Chuyển PDF, ảnh, Word, PowerPoint thành Markdown, JSON hoặc HTML giữ nguyên bảng biểu và công thức

VừaWindowsmacOSLinuxPython
Tài liệu, OCR & hỏi đáp tri thức94,2K

RAGFlow

infiniflow / ragflow

Nền tảng tự cài giúp AI trả lời dựa trên tài liệu của bạn, có trích dẫn nguồn.

VừaDockerLinuxWeb
Tài liệu, OCR & hỏi đáp tri thức35,3K

OCRmyPDF

ocrmypdf / OCRmyPDF

Biến PDF scan thành PDF có lớp chữ, tìm kiếm và sao chép được, chỉ với một lệnh

VừaWindowsmacOSLinuxDocker+1

Nội dung được biên soạn bằng tiếng Việt dựa trên tài liệu chính thức của dự án, cập nhật lần cuối 16/11/2026. Lệnh cài có thể thay đổi theo phiên bản mới; nếu có khác biệt, hãy làm theo README trên GitHub.

Cùng chủ đề: Tài liệu, OCR & hỏi đáp tri thức

Tài liệu, OCR & hỏi đáp tri thức196K

MarkItDown

microsoft / markitdown

Công cụ của Microsoft đổi PDF, Word, Excel, PowerPoint và nhiều file khác thành Markdown cho AI đọc.

VừaWindowsmacOSLinuxPython
Tài liệu, OCR & hỏi đáp tri thức96,8K

Stirling PDF

Stirling-Tools / Stirling-PDF

Bộ hơn 50 công cụ PDF: gộp, tách, ký, che thông tin, nén, OCR, chạy trên máy hoặc tự cài.

DễWindowsmacOSLinuxDocker+1
Tài liệu, OCR & hỏi đáp tri thức92,7K

PaddleOCR

PaddlePaddle / PaddleOCR

Bộ công cụ OCR của Baidu: đọc chữ trong ảnh, PDF và đổi tài liệu thành Markdown hoặc JSON.

KhóWindowsmacOSLinuxPython
Tài liệu, OCR & hỏi đáp tri thức83,7K

MinerU

opendatalab / MinerU

Đọc PDF, ảnh scan và file Office rồi xuất Markdown, giữ bảng, công thức và bố cục phức tạp.

VừaWindowsmacOSLinuxDocker+1
Tài liệu, OCR & hỏi đáp tri thức77,5K

Tesseract OCR

tesseract-ocr / tesseract

Bộ máy nhận dạng chữ (OCR) mã nguồn mở đọc chữ từ ảnh scan, hỗ trợ hơn 100 ngôn ngữ

VừaWindowsmacOSLinux
Tài liệu, OCR & hỏi đáp tri thức57,6K

PrivateGPT

zylon-ai / private-gpt

Lớp API mã nguồn mở biến mô hình AI chạy trên máy thành ứng dụng riêng tư: tải tài liệu, hỏi đáp có trích dẫn

KhóWindowsmacOSLinuxPython

Xem cả 22 repo Tài liệu, OCR & hỏi đáp tri thức Về Kho Repo