Docling项目图像提取与引用功能的技术实现
2025-05-06 18:25:06作者:羿妍玫Ivan
在文档处理工具Docling的开发过程中,图像处理功能是一个重要组成部分。本文将深入解析该项目如何实现从文档中提取图像并在生成的Markdown中进行引用的技术方案。
核心功能设计
Docling项目通过docling-core模块实现了完整的图像处理流程。开发者设计了多种图像引用模式,包括:
- Base64嵌入模式:将图像数据直接编码为Base64格式嵌入Markdown
- 文件引用模式:将图像保存为本地文件并在Markdown中创建引用链接
- 哈希引用模式:为每个图像生成唯一哈希值作为标识符
技术实现细节
在最新版本的docling-core中,图像处理功能主要通过Document类的相关方法实现。核心处理流程包括:
- 图像提取:解析原始文档,识别并提取所有嵌入的图像元素
- 图像转换:将提取的图像转换为目标格式(PNG/JPG等)
- 存储管理:根据配置决定图像存储方式(内存或文件系统)
- Markdown生成:根据引用模式生成相应的Markdown代码
应用场景分析
不同的图像引用模式适用于不同的应用场景:
- Base64嵌入:适合需要完整独立文档的场景,文档可单独传输
- 文件引用:适合本地处理或版本控制场景,减少文档体积
- 哈希引用:适合需要唯一标识和追踪图像变更的场景
最佳实践建议
对于需要进行后续LLM处理的用户,建议采用文件引用模式。这种模式可以:
- 显著减少Markdown文档体积
- 避免Base64编码数据对LLM处理的干扰
- 便于单独管理图像资源
实现时需要注意正确设置pipeline选项,并确保图像引用被正确包含在最终输出的Markdown中。
未来发展方向
根据社区反馈,项目团队正在考虑增加更多灵活的引用配置选项,包括:
- 自定义图像存储路径
- 多种引用格式支持(相对路径/绝对路径)
- 图像压缩和质量控制参数
这些改进将进一步提升Docling在复杂文档处理场景下的适用性。
登录后查看全文
热门项目推荐
- QQwen3-Next-80B-A3B-InstructQwen3-Next-80B-A3B-Instruct 是一款支持超长上下文(最高 256K tokens)、具备高效推理与卓越性能的指令微调大模型00
- QQwen3-Next-80B-A3B-ThinkingQwen3-Next-80B-A3B-Thinking 在复杂推理和强化学习任务中超越 30B–32B 同类模型,并在多项基准测试中优于 Gemini-2.5-Flash-Thinking00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~0265cinatra
c++20实现的跨平台、header only、跨平台的高性能http库。C++00AI内容魔方
AI内容专区,汇集全球AI开源项目,集结模块、可组合的内容,致力于分享、交流。02- HHunyuan-MT-7B腾讯混元翻译模型主要支持33种语言间的互译,包括中国五种少数民族语言。00
GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile06
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
热门内容推荐
最新内容推荐
项目优选
收起

OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
139
1.91 K

deepin linux kernel
C
22
6

Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0

React Native鸿蒙化仓库
C++
192
273

🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
923
551

旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
421
392

openGauss kernel ~ openGauss is an open source relational database management system
C++
145
189

为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Jupyter Notebook
74
64

本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
344
1.3 K

Elasticsearch
国内Top1 elasticsearch搜索引擎框架es ORM框架,索引全自动智能托管,如丝般顺滑,与Mybatis-plus一致的API,屏蔽语言差异,开发者只需要会MySQL语法即可完成对Es的相关操作,零额外学习成本.底层采用RestHighLevelClient,兼具低码,易用,易拓展等特性,支持es独有的高亮,权重,分词,Geo,嵌套,父子类型等功能...
Java
36
8