文档转换器
这是Docling主要组件的自动生成API参考。
文档转换器
类:
-
DocumentConverter– -
ConversionResult– -
ConversionStatus– -
FormatOption– -
InputFormat–文档后端解析器支持的文档格式。
-
PdfFormatOption– -
ImageFormatOption– -
StandardPdfPipeline– -
WordFormatOption– -
PowerpointFormatOption– -
MarkdownFormatOption– -
AsciiDocFormatOption– -
HTMLFormatOption– -
SimplePipeline–简单模型管道。
文档转换器
DocumentConverter(
allowed_formats: Optional[List[InputFormat]] = None,
format_options: Optional[
Dict[InputFormat, FormatOption]
] = None,
)
方法:
-
convert–转换 -
convert_all–将所有内容转换 -
initialize_pipeline–初始化所选格式的转换流水线。
属性:
-
allowed_formats–允许的格式 -
format_to_options– -
initialized_pipelines(Dict[Type[BasePipeline], BasePipeline]) –
允许的格式
实例属性
allowed_formats = (
allowed_formats
if allowed_formats is not None
else [e for e in InputFormat]
)
format_to_options
实例属性
format_to_options = {format: _get_default_option(format=format) if (custom_option := get(format)) is None else _1RJYVPLzQgeyfor format in allowed_formats}
初始化的管道
实例属性
initialized_pipelines: Dict[
Type[BasePipeline], BasePipeline
] = {}
转换
convert(
source: Union[Path, str, DocumentStream],
headers: Optional[Dict[str, str]] = None,
raises_on_error: bool = True,
max_num_pages: int = maxsize,
max_file_size: int = maxsize,
page_range: PageRange = DEFAULT_PAGE_RANGE,
) -> ConversionResult
convert_all
convert_all(
source: Iterable[Union[Path, str, DocumentStream]],
headers: Optional[Dict[str, str]] = None,
raises_on_error: bool = True,
max_num_pages: int = maxsize,
max_file_size: int = maxsize,
page_range: PageRange = DEFAULT_PAGE_RANGE,
) -> Iterator[ConversionResult]
转换结果
基础: BaseModel
属性:
-
assembled(AssembledUnit) – -
document(DoclingDocument) – -
errors(List[ErrorItem]) – -
input(InputDocument) – -
legacy_document– -
pages(列表[页面]) – -
status(ConversionStatus) – -
timings(Dict[str, ProfilingItem]) –
已组装
类属性
实例属性
assembled: AssembledUnit = AssembledUnit()
错误
类属性
实例属性
errors: List[ErrorItem] = []
输入
实例属性
input: InputDocument
遗留文档
属性
legacy_document
页面
类属性
实例属性
pages: List[Page] = []
时序
类属性
实例属性
timings: Dict[str, ProfilingItem] = {}
转换状态
基类: str, Enum
属性:
失败
class-attribute
instance-attribute
FAILURE = 'failure'
部分成功
类属性
实例属性
PARTIAL_SUCCESS = 'partial_success'
待处理
class-attribute
instance-attribute
PENDING = 'pending'
跳过
类属性
实例属性
SKIPPED = 'skipped'
已开始
class-attribute
instance-attribute
STARTED = 'started'
成功
class-attribute
instance-attribute
SUCCESS = 'success'
格式选项
基础: BaseModel
方法:
属性:
-
backend(类型[AbstractDocumentBackend]) – -
model_config– -
pipeline_cls(类型[基础流水线]) – -
pipeline_options(可选[PipelineOptions]) –
后端
实例属性
backend: Type[AbstractDocumentBackend]
模型配置
类属性
实例属性
model_config = ConfigDict(arbitrary_types_allowed=True)
pipeline_cls
实例属性
pipeline_cls: Type[BasePipeline]
输入格式
基类: str, Enum
文档后端解析器支持的文档格式。
属性:
-
ASCIIDOC– -
CSV– -
DOCX– -
HTML– -
IMAGE– -
JSON_DOCLING– -
MD– -
PDF– -
PPTX– -
XLSX– -
XML_JATS– -
XML_USPTO–
ASCIIDOC
class-attribute
instance-attribute
ASCIIDOC = 'asciidoc'
CSV
class-attribute
instance-attribute
CSV = 'csv'
DOCX
类属性
实例属性
DOCX = 'docx'
HTML
class-attribute
instance-attribute
HTML = 'html'
图像
类属性
实例属性
IMAGE = 'image'
JSON_DOCLING
类属性
实例属性
JSON_DOCLING = 'json_docling'
MD
类属性
实例属性
MD = 'md'
PDF
class-attribute
instance-attribute
PDF = 'pdf'
PPTX
类属性
实例属性
PPTX = 'pptx'
XLSX
类属性
实例属性
XLSX = 'xlsx'
XML_JATS
class-attribute
instance-attribute
XML_JATS = 'xml_jats'
XML_USPTO
类属性
实例属性
XML_USPTO = 'xml_uspto'
PdfFormatOption
基类: FormatOption
方法:
属性:
-
backend(类型[AbstractDocumentBackend]) – -
model_config– -
pipeline_cls(类型) – -
pipeline_options(可选[PipelineOptions]) –
后端
类属性
实例属性
backend: Type[AbstractDocumentBackend] = (
DoclingParseV2DocumentBackend
)
模型配置
类属性
实例属性
model_config = ConfigDict(arbitrary_types_allowed=True)
图像格式选项
基础: FormatOption
方法:
属性:
-
backend(类型[AbstractDocumentBackend]) – -
model_config– -
pipeline_cls(类型) – -
pipeline_options(可选[PipelineOptions]) –
后端
类属性
实例属性
backend: Type[AbstractDocumentBackend] = (
DoclingParseV2DocumentBackend
)
模型配置
类属性
实例属性
model_config = ConfigDict(arbitrary_types_allowed=True)
标准Pdf管道
StandardPdfPipeline(pipeline_options: PdfPipelineOptions)
基础: PaginatedPipeline
方法:
-
download_models_hf– -
execute– -
get_default_options– -
get_ocr_model– -
get_picture_description_model– -
initialize_page–初始化页面 -
is_backend_supported–后端是否支持
属性:
-
build_pipe–构建管道 -
enrichment_pipe– -
glm_model– -
keep_backend– -
keep_images–保持图像 -
pipeline_options(PdfPipelineOptions) –
build_pipe
实例属性
build_pipe = [
PagePreprocessingModel(
options=PagePreprocessingOptions(
images_scale=images_scale
)
),
ocr_model,
LayoutModel(
artifacts_path=artifacts_path,
accelerator_options=accelerator_options,
),
TableStructureModel(
enabled=do_table_structure,
artifacts_path=artifacts_path,
options=table_structure_options,
accelerator_options=accelerator_options,
),
PageAssembleModel(options=PageAssembleOptions()),
]
enrichment_pipe
实例属性
enrichment_pipe = [
CodeFormulaModel(
enabled=do_code_enrichment or do_formula_enrichment,
artifacts_path=artifacts_path,
options=CodeFormulaModelOptions(
do_code_enrichment=do_code_enrichment,
do_formula_enrichment=do_formula_enrichment,
),
accelerator_options=accelerator_options,
),
DocumentPictureClassifier(
enabled=do_picture_classification,
artifacts_path=artifacts_path,
options=DocumentPictureClassifierOptions(),
accelerator_options=accelerator_options,
),
picture_description_model,
]
glm_model
实例属性
glm_model = ReadingOrderModel(options=ReadingOrderOptions())
keep_backend
实例属性
keep_backend = True
保留图像
实例属性
keep_images = (
generate_page_images
or generate_picture_images
or generate_table_images
)
download_models_hf
staticmethod
download_models_hf(
local_dir: Optional[Path] = None, force: bool = False
) -> Path
获取_ocr_模型
get_ocr_model(
artifacts_path: Optional[Path] = None,
) -> Optional[BaseOcrModel]
获取图像描述模型
get_picture_description_model(
artifacts_path: Optional[Path] = None,
) -> Optional[PictureDescriptionBaseModel]
is_backend_supported
classmethod
is_backend_supported(backend: AbstractDocumentBackend)
WordFormatOption
基础: FormatOption
方法:
属性:
-
backend(类型[AbstractDocumentBackend]) – -
model_config– -
pipeline_cls(类型) – -
pipeline_options(可选[PipelineOptions]) –
后端
类属性
实例属性
backend: Type[AbstractDocumentBackend] = (
MsWordDocumentBackend
)
模型配置
类属性
实例属性
model_config = ConfigDict(arbitrary_types_allowed=True)
PowerpointFormatOption
基础: FormatOption
方法:
属性:
-
backend(类型[AbstractDocumentBackend]) – -
model_config– -
pipeline_cls(类型) – -
pipeline_options(可选[PipelineOptions]) –
后端
类属性
实例属性
backend: Type[AbstractDocumentBackend] = (
MsPowerpointDocumentBackend
)
模型配置
类属性
实例属性
model_config = ConfigDict(arbitrary_types_allowed=True)
MarkdownFormatOption
基础: FormatOption
方法:
属性:
-
backend(类型[AbstractDocumentBackend]) – -
model_config– -
pipeline_cls(类型) – -
pipeline_options(可选[PipelineOptions]) –
后端
类属性
实例属性
backend: Type[AbstractDocumentBackend] = (
MarkdownDocumentBackend
)
模型配置
类属性
实例属性
model_config = ConfigDict(arbitrary_types_allowed=True)
AsciiDoc格式选项
基础: FormatOption
方法:
属性:
-
backend(类型[AbstractDocumentBackend]) – -
model_config– -
pipeline_cls(类型) – -
pipeline_options(可选[PipelineOptions]) –
后端
类属性
实例属性
backend: Type[AbstractDocumentBackend] = AsciiDocBackend
模型配置
类属性
实例属性
model_config = ConfigDict(arbitrary_types_allowed=True)
HTML格式选项
基础: FormatOption
方法:
属性:
-
backend(类型[AbstractDocumentBackend]) – -
model_config– -
pipeline_cls(类型) – -
pipeline_options(可选[PipelineOptions]) –
后端
类属性
实例属性
backend: Type[AbstractDocumentBackend] = HTMLDocumentBackend
模型配置
类属性
实例属性
model_config = ConfigDict(arbitrary_types_allowed=True)
简单管道
SimplePipeline(pipeline_options: PipelineOptions)
基础类: BasePipeline
简单模型管道.
该类目前用于生成直接的DoclingDocument输出的格式/后端。
方法:
-
execute– -
get_default_options– -
is_backend_supported–后端是否支持
属性:
-
build_pipe(List[Callable]) – -
enrichment_pipe(List[GenericEnrichmentModel[Any]]) – -
keep_images– -
pipeline_options–
build_pipe
实例属性
build_pipe: List[Callable] = []
enrichment_pipe
实例属性
enrichment_pipe: List[GenericEnrichmentModel[Any]] = []
保留图像
实例属性
keep_images = False
管道选项
实例属性
pipeline_options = pipeline_options
is_backend_supported
classmethod
is_backend_supported(backend: AbstractDocumentBackend)