Docling Parser Agent And MCP

Docling文档解析器API

一个强大的REST API，用于使用\[工具/方法\]解析PDF和文档 Docling（可译为“多灵”或根据具体语境保留原名）借助谷歌Gemini和OpenAI的AI图像描述功能。

特点/特性

文档解析

• 多种解析模式：

- standard - 使用默认设置进行均衡提取 - ocr - 强制对扫描文档使用OCR（光学字符识别） - fast - 快速处理，开销极小 - high_quality - 通过增强的图像提取技术实现最高精度

内容提取

• 文本提取带有标签和边界框的结构化文本
• 表格提取将表格导出为CSV、JSON或DataFrames格式
• 图像提取提取可配置缩放比例（1倍至4倍）的图像
• 页面元数据尺寸、页码和布局信息

基于人工智能的图像描述

• Docling SmolVLM（注：这是一个特定的软件或技术名称，直接翻译可能无法准确传达其含义，因此保留原样。在实际应用中，可能需要根据上下文或官方说明来确定其准确的中文表述。）内置的视觉模型用于图像理解
• Google Gemini与Gemini 2.5 Flash集成以提供详细描述
• OpenAI GPT-4o（注：这里的“o”可能是版本标识或特定功能的简写，但根据上下文无法确定具体含义，因此直接保留原样翻译）替代视觉模型支持
• 自定义提示配置描述风格和详细程度

API特性

• 异步处理带有状态跟踪的后台作业处理
• 导出格式Markdown、JSON 和原始图像导出
• 进度跟踪实时工作状态和进度更新
• 文件验证大小限制、MIME类型检查和扩展名验证

技术栈

• 框架FastAPI（异步REST API）
• 文档处理Docling（IBM研究院）
• AI视觉Google 生成式人工智能软件开发工具包（SDK），LangChain OpenAI
• 图像处理PIL（Pillow）
• 环境Python 3.9+，UV 包管理器

安装

先决条件

• Python 3.9或更高版本
• UV包管理器 （推荐）

设置

1. 克隆仓库

git clone 
cd docling-project

1. 安装依赖项

uv sync

1. 配置环境变量

# Create .env file in api/ directory
cp api/.env.example api/.env

编辑 api/.env 并添加您的API密钥：

# Optional: AI Image Description Providers
GEMINI_API_KEY=your_gemini_api_key_here
OPENAI_API_KEY=your_openai_api_key_here

# Server Configuration
API_HOST=0.0.0.0
API_PORT=8000
MAX_FILE_SIZE_MB=50
MAX_CONCURRENT_JOBS=5

1. 运行API

cd api
uv run uvicorn main:app --reload

API 将提供于 http://localhost:8000

使用

快速入门

访问交互式API文档：

• Swagger UIhttp://localhost:8000/docs 翻译为中文是：“本地主机上的8000端口文档页面”。不过，通常在实际语境中，我们可能会简化为“本地8000端口的文档页面”或“访问本地8000端口的文档”
• ReDoc（可译为“再文档”或根据具体语境译为更贴切的名称，但“ReDoc”本身常作为专有名词使用，直接保留原样也可能更符合某些技术或品牌语境）http://localhost:8000/redoc 翻译为中文是：“http://本地主机:8000/redoc” 或者更简洁地表述为：“本地主机8000端口的redoc页面”

示例：解析PDF文件

# Upload and parse a document
curl -X POST "http://localhost:8000/api/v1/parse/upload" \
  -F "file=@document.pdf" \
  -F "parsing_mode=standard" \
  -F "extract_images=true" \
  -F "describe_images=true" \
  -F "description_provider=gemini"

# Response includes job_id
{
  "job_id": "abc-123-def",
  "status": "processing",
  "message": "Document uploaded successfully"
}

# Check job status
curl "http://localhost:8000/api/v1/parse/jobs/abc-123-def/status"

# Get results
curl "http://localhost:8000/api/v1/parse/results/abc-123-def"

关键终点（或关键指标）

| GET | 获取提取的图像 |

docling-project/
├── api/
│   ├── main.py              # FastAPI application entry point
│   ├── config.py            # Configuration and settings
│   ├── models.py            # Pydantic data models
│   ├── parser.py            # Document parsing logic
│   ├── utils.py             # Utility functions (file handling, AI descriptions)
│   ├── storage.py           # In-memory job storage
│   ├── .env                 # Environment variables (create this)
│   └── temp/                # Temporary file storage
├── docs/
│   ├── AGENTIC_ARCHITECTURE.md      # Guide for MCP + LangGraph integration
│   └── POTENTIAL_IMPROVEMENTS.md    # Feature roadmap and enhancements
├── examples/                # Example scripts and demos
├── pyproject.toml          # Project dependencies (UV)
└── README.md              # This file

项目结构

配置 api/config.py关键设置在

• ：文件上传 MAX_FILE_SIZE_MB :
• （默认：50MB）解析 DEFAULT_PARSING_MODE: DEFAULT_IMAGE_SCALE
• ，图像描述 DEFAULT_DESCRIPTION_PROMPT： GEMINI_MODEL
• ，工作 JOB_TIMEOUT_SECONDS： MAX_CONCURRENT_JOBS
• ，存储 RESULTS_TTL_SECONDS ：

（结果缓存生命周期）

• 支持的文件类型.pdfPDF（
• ).docxWord 文档（ .doc，
• ）.htmlHTML（
• ）.mdMarkdown（
• ).png图片（ .jpg， .tiff，

）

响应结构

• 该API返回的结构化数据包括：元数据
• 文件名、页数、处理时间、文件哈希值统计
• 文本项、表格、图片的计数内容

- ： - 整个文档的Markdown导出 - 逐页信息 - 带有标签和位置的文本项 - 支持CSV/JSON导出的表格

• 带有可选AI描述的图片出口

下载不同格式结果的URL

未来的改进/增强功能 看 docs/POTENTIAL_IMPROVEMENTS.md 翻译为中文是：docs/潜在改进点.md

• 关于完整的功能路线图，包括：
• 带有RAG的文档问答
• 多文档批量处理
• 高级表格提取
• 表单字段检测
• 文档对比

向量数据库集成

代理集成 要使用此API构建基于代理的应用程序，请参阅 docs/AGENTIC_ARCHITECTURE.md（文件名可译为“文档/AGENTIC架构说明.md”）

• for：对于；为了；给；因为
• FastAPI-MCP 服务器设置
• LangGraph 集成模式
• 代理文件上传策略

多智能体协同编排示例

致谢/贡献者名单

• 构建于： Docling（注：这是一个假设的或特定上下文中的名称，直接翻译为“多林”可能并不准确，因为“Docling”可能是一个品牌名、软件名或特定项目的名称，具体翻译需根据上下文确定。在此处，我们直接音译为“多林”以保留原名的发音特征。）
• 由IBM研究院（或IBM研究部门）
• FastAPI
• 谷歌生成式人工智能