使用 Docling 转换多种文件格式为 Markdown

Maki Winster 于 2024-11-19 15:31:24 发布

在处理多种文件格式（如 .pdf、.docx、.pptx 等）时，主流文本对话模型（如 GPT 和 Claude）支持有限，尤其是对 .pptx 的解析能力。这给一些场景带来了不便，比如批量处理文件或快速提取内容。

为了解决这个问题，GitHub 上的开源项目 Docling 提供了强大的多格式转换功能。它支持将 PDF、DOCX、PPTX、图片、HTML、AsciiDoc 和 Markdown 文件转换为 Markdown 和 JSON 格式，非常适合用于快速内容整理或二次加工。

这下偷课件有用了

---

安装 Docling

1. 安装工具
   打开命令行（Win + R 后输入 cmd），然后运行以下命令：

   pip install docling

2. 验证安装
   安装完成后，检查是否成功：

   pip show docling

   如果看到类似如下输出，就说明安装成功：

   

---

转换文件为 Markdown

下面提供一个简单的 Python 脚本，将文件转换为 Markdown 格式。

from docling.document_converter import DocumentConverter
import os

# 源文件路径
source = r"修改这里为你的文件路径，例如C:\Users\MakiWinster\Desktop\经典词汇.pdf"
file_dir = os.path.dirname(source)
file_name = os.path.splitext(os.path.basename(source))[0]
output_path = os.path.join(file_dir, f"{file_name}.md")

# 初始化转换器
converter = DocumentConverter()
result = converter.convert(source)

# 将转换结果写入 Markdown 文件
with open(output_path, 'w', encoding='utf-8') as f:
    f.write(result.document.export_to_markdown())

print(f"转换完成！Markdown 文件已保存至：{output_path}")

使用说明

1. 将脚本中 source 修改为你的文件路径。
2. 运行脚本后，看到 转换完成... 提示，即表示文件已成功转换。
3. 转换后的 .md 文件将保存在原文件所在的文件夹内。

---

首次运行注意事项

如果转换 PDF 文件，首次运行时会下载 GPU 模型文件，如下所示：

如果你使用的是 NVIDIA 显卡，建议提前安装 CUDA Toolkit 来加速模型加载和处理。

---