DS4SD/docling 项目安装与配置指南

DS4SD/docling 项目安装与配置指南

docling Get your documents ready for gen AI 项目地址: https://gitcode.com/gh_mirrors/do/docling

项目概述

DS4SD/docling 是一个功能强大的文档处理工具包，主要用于文档转换和光学字符识别(OCR)处理。该项目基于Python开发，支持多种OCR引擎，能够在不同操作系统和硬件架构上运行。

基础安装

安装DS4SD/docling非常简单，只需使用Python包管理工具执行以下命令：

pip install docling

该工具包支持以下平台：

• macOS (包括Intel和Apple Silicon芯片)
• Linux (各种发行版)
• Windows

支持的处理器架构：

• x86_64 (传统64位架构)
• arm64 (如Apple M系列芯片)

高级安装选项

PyTorch依赖的特殊配置

DS4SD/docling的部分功能依赖于PyTorch深度学习框架。根据您的硬件配置，可能需要选择特定的PyTorch版本：

1. 仅CPU支持的Linux系统安装：

pip install docling --extra-index-url https://download.pytorch.org/whl/cpu

2. macOS Intel处理器特殊配置： 由于新版PyTorch(2.6.0+)不再提供Intel Mac的预编译包，需要指定兼容版本：

pip install "docling[mac_intel]"

注意：PyTorch 2.2.2要求Python版本不高于3.12

OCR引擎配置

DS4SD/docling支持多种OCR引擎，每种引擎都有其特点和适用场景：

默认引擎：EasyOCR

• 安装：随Docling自动安装
• 特点：开箱即用，支持多种语言

可选引擎及安装方法

1. Tesseract OCR

   • 系统级安装：
     • macOS: brew install tesseract leptonica pkg-config
     • Debian系: apt-get install tesseract-ocr tesseract-ocr-eng libtesseract-dev
     • RHEL系: dnf install tesseract tesseract-devel tesseract-langpack-eng
   • 环境变量配置：

     export TESSDATA_PREFIX=/your/tessdata/path/
     

2. Tesserocr链接库

   • 优化安装方式：

   pip uninstall tesserocr
   pip install --no-binary :all: tesserocr
   

3. ocrmac (仅macOS)

   • 安装：pip install ocrmac
   • 要求：macOS 10.15+，使用Apple Vision框架

4. RapidOCR

   • 安装：pip install rapidocr_onnxruntime
   • 特点：轻量高效

5. OnnxTR

   • 安装：pip install "docling-ocr-onnxtr[cpu]"
   • 特点：基于ONNX运行时

引擎选择示例代码

from docling.datamodel.base_models import ConversionStatus, PipelineOptions
from docling.datamodel.pipeline_options import PipelineOptions, EasyOcrOptions, TesseractOcrOptions
from docling.document_converter import DocumentConverter

# 配置管道选项
pipeline_options = PipelineOptions()
pipeline_options.do_ocr = True
pipeline_options.ocr_options = TesseractOcrOptions()  # 使用Tesseract引擎

# 创建文档转换器实例
doc_converter = DocumentConverter(
    pipeline_options=pipeline_options,
)

开发环境搭建

如需参与DS4SD/docling的开发，需要设置开发环境：

poetry install --all-extras

此命令会安装所有开发依赖和可选功能，为代码贡献做好准备。

常见问题解决方案

1. PyTorch兼容性问题：

   • 确认Python版本与PyTorch要求匹配
   • 根据处理器架构选择合适的PyTorch版本

2. Tesseract安装问题：

   • 确保正确设置了TESSDATA_PREFIX环境变量
   • 路径末尾必须包含斜杠(/)

3. OCR引擎选择：

   • 对于一般用户，EasyOCR是最简单的选择
   • 需要更高精度时，可考虑Tesseract
   • macOS用户可优先尝试ocrmac以获得最佳性能

通过本文的指导，您应该能够顺利完成DS4SD/docling的安装和基本配置。根据您的具体需求选择合适的OCR引擎，可以充分发挥该工具包的文档处理能力。

docling Get your documents ready for gen AI 项目地址: https://gitcode.com/gh_mirrors/do/docling