Docling Convert

使用本地部署的 docling 服务批量转换文档为 Markdown 并提取图片。

依赖安装

使用前需要安装依赖（默认用户已经安装）：

pip install requests

确保 docling 服务已本地部署，默认为 http://localhost:5001

基本 API 调用

import requests
import base64

DOCLING_API_URL = "http://localhost:5001/v1/convert/source"

# 读取文件并转换为 base64
with open('doc.docx', 'rb') as f:
    file_content = f.read()
base64_content = base64.b64encode(file_content).decode('utf-8')

# 构建请求 - 关键：使用 embedded 模式
payload = {
    "sources": [{
        "kind": "file",
        "filename": "doc.docx",
        "base64_string": base64_content
    }],
    "options": {
        "to_formats": ["md"],
        "image_export_mode": "embedded",  # 关键：embedded 模式返回 base64 图片
        "do_ocr": True,                 # 启用 OCR
        "table_mode": "accurate"        # 表格模式
    }
}

response = requests.post(DOCLING_API_URL, json=payload, timeout=300)
result = response.json()

# 提取 markdown 内容
md_content = result['document']['md_content']

提取图片并替换引用

import re
import base64
import os

# 正则匹配 base64 图片
img_pattern = r'!\[Image\]\(data:image/([^;]+);base64,([^)]+)\)'
matches = re.findall(img_pattern, md_content)

if matches:
    images_dir = "./doc_images"
    os.makedirs(images_dir, exist_ok=True)

    # 保存图片文件
    for idx, (img_type, b64_data) in enumerate(matches):
        img_bytes = base64.b64decode(b64_data)
        with open(f"{images_dir}/image_{idx}.png", 'wb') as f:
            f.write(img_bytes)

    # 使用闭包函数替换引用（保留递增索引）
    def replace_with_ref(match):
        replace_with_ref.count = getattr(replace_with_ref, 'count', -1) + 1
        return f'![Image](./doc_images/image_{replace_with_ref.count}.png)'

    md_content = re.sub(img_pattern, replace_with_ref, md_content)

# 保存 markdown 文件
with open('doc.md', 'w', encoding='utf-8') as f:
    f.write(md_content)

支持的文件格式

• .docx - Word 文档
• .pdf - PDF 文件
• .pptx - PowerPoint
• .xlsx - Excel
• .html - 网页
• .md - Markdown
• .csv - 表格
• .png, .jpg, .jpeg - 图片

API 选项说明

选项	值	说明
image_export_mode	embedded	返回 base64 图片数据
image_export_mode	referenced	仅返回引用（无实际数据）
image_export_mode	placeholder	使用占位符
table_mode	accurate	精确模式（推荐）
table_mode	fast	快速模式
ocr_engine	easyocr	默认 OCR 引擎

适用场景

• 批量转换 docx/pdf/pptx/xlsx 为 markdown
• 需要保留文档中的图片
• 使用本地部署的 docling 服务
• 文档包含截图、表格等复杂内容

注意事项

1. referenced 模式问题: 该模式不会返回实际图片数据，适合直接查看，不适合批量处理
2. embedded 模式: 图片以 base64 编码返回，需要额外处理才能保存为文件
3. 大文件处理: 增加 timeout 值避免超时
4. API 端点: 本地服务默认为 http://localhost:5001/v1/convert/source