run-llama/liteparse

LiteParse – 适用于 LLM 友好型流水线的快速本地 PDF 解析器

是什么 – LiteParse 是一个开源库，可完全在设备上从 PDF 类文档中提取文本、布局、图像和矢量图形。它基于 Rust 核心，使用 PDFium 进行文本提取，使用 Tesseract（或任何 HTTP 基础 OCR）进行图像文本提取。项目提供 Rust、Python、Node/TypeScript 和 WebAssembly 的语言绑定，以及一个小型 CLI（lit），无论通过何种方式安装，其行为均保持一致。

对 AI 为何重要 – 基于 LLM 的检索增强生成（RAG）和代理工作流需要干净、结构化的文档数据。LiteParse 可生成：

• Markdown：包含重构的标题、表格、列表和图像占位符，可直接输入 LLM。
• JSON：包含原始文本、精确的边界框、可选的图像元数据、矢量图形路径、PDF 结构树和表单字段。
• 截图（PNG）：捕获页面的视觉外观，对视觉增强代理非常有用。 所有操作均在本地运行，因此可避免云服务成本、延迟和数据隐私问题。

核心功能

• 快速且轻量 – 基于 PDFium 的文本提取速度快；OCR 为可选，可替换为任何 HTTP OCR 服务。
• 选择性 OCR – 低成本的“复杂度检查”（lit is-complex）可提前判断文档是否需要 OCR，避免不必要的重负载。
• 多格式输入 – PDF、DOCX、XLSX、PPTX 和图像会先通过 LibreOffice + Rust 图像库转换为 PDF 类似表示，实现统一处理。
• 丰富输出选项 – 可选择纯文本、Markdown 或结构化 JSON；可选开启图像提取、矢量图形、PDF 结构树、布局块、注释、表单字段、文档元数据、内容边界、XFA 数据包等。
• 跨平台 – 支持 Linux、macOS（Intel/ARM）和 Windows；也提供浏览器用的 WASM 包。
• 代理技能集成 – 可通过 skills CLI 安装为 LLM 代理技能，使代理可随时调用 liteparse。

安装（选择你的语言/运行时）

语言	命令	文档
Rust (CLI)	cargo install liteparse	crates.io README
Python	pip install liteparse	Python README
Node/TypeScript	npm i -g @llamaindex/liteparse	Node README
浏览器 (WASM)	npm i @llamaindex/liteparse-wasm	WASM README

典型 CLI 工作流

# 基础文本提取
lit parse report.pdf

# Markdown 输出（非常适合 LLM 提示）
lit parse report.pdf --format markdown -o report.md

# 包含边界框和图像的 JSON
lit parse report.pdf --format json --extract-images -o report.json

# 快速检查是否需要 OCR
lit is-complex report.pdf && lit parse report.pdf --no-ocr

# 批量处理文件夹
lit batch-parse ./in ./out --format markdown

# 为视觉代理生成页面截图
lit screenshot report.pdf -o ./screenshots --dpi 300

作为库使用（Python 示例）

from liteparse import LiteParse
parser = LiteParse(ocr=False)          # 禁用 OCR 以提升速度
result = parser.parse_path('report.pdf')
print(result.json())                  # 包含边界框的结构化输出

（Rust、Node 和 WASM 中也有等效 API。）

何时使用云版本 – 对于非常复杂的 PDF（密集表格、多栏布局、扫描文档、手写笔记），作者推荐其云服务 LlamaParse，该服务提供重型 AI 驱动的布局重建。当需要速度、隐私或离线运行时，LiteParse 仍是首选。

谁会受益

• 构建 RAG 流水线并需要快速、确定性预处理的开发者。
• 需要页面截图或精确文本坐标的 LLM 代理平台。
• 无法将文档发送到外部服务的数据隐私受限企业。
• 无需重型 ML 堆栈即可获得轻量级、跨语言 PDF 解析器的任何人。

---

TL;DR – LiteParse 是一个快速、本地运行的 PDF（及办公文档）解析器，可输出 Markdown、带边界框的 JSON、图像和矢量图形，并可通过 Rust、Python、Node 或浏览器调用。专为需要结构化文档数据但无云依赖的 AI/RAG 工作流设计。