跳到内容

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:

文档转换器

DocumentConverter(
    allowed_formats: Optional[List[InputFormat]] = None,
    format_options: Optional[
        Dict[InputFormat, FormatOption]
    ] = None,
)

方法:

属性:

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]

initialize_pipeline

initialize_pipeline(format: InputFormat)

初始化所选格式的转换管道。

转换结果

基础: BaseModel

属性:

已组装 类属性 实例属性

assembled: AssembledUnit = AssembledUnit()

文档 类属性 实例属性

document: DoclingDocument = _EMPTY_DOCLING_DOC

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] = []

状态 类属性 实例属性

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:

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]

管道选项 类属性 实例属性

pipeline_options: Optional[PipelineOptions] = None

设置可选字段默认值

set_optional_field_default() -> FormatOption

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 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:

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)

pipeline_cls 类属性 实例属性

pipeline_cls: Type = StandardPdfPipeline

管道选项 类属性 实例属性

pipeline_options: Optional[PipelineOptions] = None

设置可选字段默认值

set_optional_field_default() -> FormatOption

图像格式选项

基础: FormatOption

方法:

属性:

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)

pipeline_cls 类属性 实例属性

pipeline_cls: Type = StandardPdfPipeline

管道选项 类属性 实例属性

pipeline_options: Optional[PipelineOptions] = None

设置可选字段默认值

set_optional_field_default() -> FormatOption

标准Pdf管道

StandardPdfPipeline(pipeline_options: PdfPipelineOptions)

基础: PaginatedPipeline

方法:

属性:

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
)

管道选项 实例属性

pipeline_options: PdfPipelineOptions

download_models_hf staticmethod

download_models_hf(
    local_dir: Optional[Path] = None, force: bool = False
) -> Path

执行

execute(
    in_doc: InputDocument, raises_on_error: bool
) -> ConversionResult

获取默认选项 类方法

get_default_options() -> PdfPipelineOptions

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]

初始化页面

initialize_page(
    conv_res: ConversionResult, page: Page
) -> Page

is_backend_supported classmethod

is_backend_supported(backend: AbstractDocumentBackend)

WordFormatOption

基础: FormatOption

方法:

属性:

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)

pipeline_cls 类属性 实例属性

pipeline_cls: Type = SimplePipeline

管道选项 类属性 实例属性

pipeline_options: Optional[PipelineOptions] = None

设置可选字段默认值

set_optional_field_default() -> FormatOption

PowerpointFormatOption

基础: FormatOption

方法:

属性:

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)

pipeline_cls 类属性 实例属性

pipeline_cls: Type = SimplePipeline

管道选项 类属性 实例属性

pipeline_options: Optional[PipelineOptions] = None

设置可选字段默认值

set_optional_field_default() -> FormatOption

MarkdownFormatOption

基础: FormatOption

方法:

属性:

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)

pipeline_cls 类属性 实例属性

pipeline_cls: Type = SimplePipeline

管道选项 类属性 实例属性

pipeline_options: Optional[PipelineOptions] = None

设置可选字段默认值

set_optional_field_default() -> FormatOption

AsciiDoc格式选项

基础: FormatOption

方法:

属性:

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)

pipeline_cls 类属性 实例属性

pipeline_cls: Type = SimplePipeline

管道选项 类属性 实例属性

pipeline_options: Optional[PipelineOptions] = None

设置可选字段默认值

set_optional_field_default() -> FormatOption

HTML格式选项

基础: FormatOption

方法:

属性:

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)

pipeline_cls 类属性 实例属性

pipeline_cls: Type = SimplePipeline

管道选项 类属性 实例属性

pipeline_options: Optional[PipelineOptions] = None

设置可选字段默认值

set_optional_field_default() -> FormatOption

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:

属性:

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

执行

execute(
    in_doc: InputDocument, raises_on_error: bool
) -> ConversionResult

获取默认选项 类方法

get_default_options() -> PipelineOptions

is_backend_supported classmethod

is_backend_supported(backend: AbstractDocumentBackend)