run-llama/liteparse

A fast, helpful, and open-source document parser

解决的问题

LiteParse 是一个快速、轻量且独立的开源 PDF 解析工具。它解决了无需依赖专有 LLM 功能或云服务，即可在本地提取高质量空间文本和结构的问题。

工作原理

LiteParse 基于 Rust 核心构建，使用 PDFium 实现快速文本提取，并通过网格投影系统重建空间布局。它通过 LibreOffice 或基于 Rust 的图像库，支持多种输入格式（PDF、DOCX、XLSX、PPTX 和图像）。对于需要 OCR 的文档，它提供内置的 Tesseract 引擎，或可通过标准 HTTP API 集成外部 OCR 服务（如 EasyOCR 或 PaddleOCR）。随后，工具可将页面分类为块（标题、表格、列表等），以生成结构化 Markdown、JSON 或纯文本。

适用人群

专为构建 RAG 流水线和 LLM 代理的开发者设计，需要一个本地、高性能的文档解析器，提供精确的边界框和结构化输出，而无需承担云服务的延迟或成本。

主要亮点

  • 高性能：空间文本解析通常每页仅需 2–5ms。
  • 本地运行：可在 Linux、macOS 和 Windows 上完全在用户机器上运行。
  • 多语言支持：提供 Rust、Node.js/TypeScript、Python 和浏览器（WASM）的库与 CLI 工具。
  • 灵活的 OCR：内置 Tesseract 实现零配置 OCR，支持通过标准 API 集成自定义 OCR 服务器。
  • 结构化输出：生成包含表格和标题的 Markdown、JSON 和纯文本，同时提供文本和布局块的精确边界框。
  • 代理就绪：可作为代理技能集成，并为 LLM 代理生成高质量的页面截图。

相关

  • 项目
    docling-project/docling-parse

    Docling Parse 是一个快速、可配置的 PDF 解析库（Python API 配 C++ 核心），可提取文本、单词、行、矢量形状和位图图像及其坐标。支持顺序和多线程解析，允许按页面选择计算或实例化内容，并包含渲染工具。非常适合需要布局感知文档数据的 AI 工作流。

  • 项目
    arcships/light-ocr

    light‑ocr 是一个适用于 Node.js 和 C++ 的跨平台离线 OCR 库。它将模型、PDF 渲染器和中文字体整合在单个 npm 包中，提供 macOS、Linux 和 Windows 的预编译原生二进制文件，并可通过 Core ML 或 WebGPU 加速推理。API 会返回包含置信度分数与四边形坐标的文本行，并提供 CLI 以供快速命令行使用。模型大小从 6 MB 的 Tiny 等级到 139 MB 的 Medium 等级不等，均采用 Apache 2.0 授权。

  • 项目
    firecrawl/pdf-inspector

    pdf-inspector 是一个基于 Rust 的库（提供 Python、Node 和 WASM 绑定），能快速分类 PDF、提取具备位置信息的文字，并将其转换为干净的 Markdown。它能仅将需要 OCR 的页面路由至本地模型，从而节省时间和成本。基准测试显示，在 200 份 PDF 的测试集中，其速度与准确度均优于同类工具。

  • 项目
    drmingler/smart-llm-loader

    一个 Python 包，利用 OCR 和 LLM 驱动的语义分块，将文档和扫描图像转换为干净、结构化的 markdown 块，用于 RAG 系统。

  • 项目
    PaddlePaddle/PaddleOCR

    PaddleOCR 是一个开源 OCR 和文档 AI 工具包，可将图像或 PDF 转换为结构化、LLM 就绪的文本、表格和 Markdown/JSON。它提供多语言场景文本模型（PP-OCRv6）和轻量级视觉-语言模型（PaddleOCR-VL、PP-StructureV3），具备业界领先精度、快速 CPU/GPU 推理能力，并支持从 Docker 到浏览器 SDK 的多种部署方式。与 Dify、RAGFlow 等 RAG 平台集成，可作为构建 AI 代理和检索增强生成流水线的数据引擎。