run-llama/liteparse

LiteParse – 適用於 LLM 友好型流程的快速本地 PDF 解析器

是什麼 – LiteParse 是一個開源程式庫，可完全在裝置上從 PDF 類文件中提取文字、版面、圖片和向量圖形。它以 Rust 核心為基礎，使用 PDFium 進行文字提取，使用 Tesseract（或任何 HTTP 基礎 OCR）進行影像文字提取。專案提供 Rust、Python、Node/TypeScript 和 WebAssembly 的語言綁定，以及一個小型 CLI（lit），無論透過何種方式安裝，其行為皆一致。

對 AI 為何重要 – 基於 LLM 的檢索增強生成（RAG）與代理工作流程需要乾淨、結構化的文件資料。LiteParse 可產生：

• Markdown：包含重構的標題、表格、清單與圖片佔位符，可直接輸入 LLM。
• JSON：包含原始文字、精確的邊界框、可選的圖片元資料、向量圖形路徑、PDF 結構樹與表單欄位。
• 截圖（PNG）：捕捉頁面的視覺外觀，對視覺增強代理非常有用。 所有操作皆在本地執行，因此可避免雲端服務成本、延遲與資料隱私問題。

核心功能

• 快速且輕量 – 基於 PDFium 的文字提取速度快；OCR 為可選，可替換為任何 HTTP OCR 服務。
• 選擇性 OCR – 低成本的「複雜度檢查」（lit is-complex）可提前判斷文件是否需要 OCR，避免不必要的重負載。
• 多格式輸入 – PDF、DOCX、XLSX、PPTX 與影像會先透過 LibreOffice + Rust 圖像套件轉換為 PDF 類似表示，以實現統一處理。
• 豐富輸出選項 – 可選擇純文字、Markdown 或結構化 JSON；可選啟用圖片提取、向量圖形、PDF 結構樹、版面區塊、註解、表單欄位、文件元資料、內容邊界、XFA 資料包等。
• 跨平台 – 支援 Linux、macOS（Intel/ARM）與 Windows；也提供瀏覽器用的 WASM 套件。
• 代理技能整合 – 可透過 skills CLI 安裝為 LLM 代理技能，使代理可隨時呼叫 liteparse。

安裝（選擇你的語言/執行環境）

語言	命令	文件
Rust (CLI)	cargo install liteparse	crates.io README
Python	pip install liteparse	Python README
Node/TypeScript	npm i -g @llamaindex/liteparse	Node README
瀏覽器 (WASM)	npm i @llamaindex/liteparse-wasm	WASM README

典型 CLI 工作流程

# 基礎文字提取
lit parse report.pdf

# Markdown 輸出（非常適合 LLM 提示）
lit parse report.pdf --format markdown -o report.md

# 包含邊界框與圖片的 JSON
lit parse report.pdf --format json --extract-images -o report.json

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

# 批次處理資料夾
lit batch-parse ./in ./out --format markdown

# 為視覺代理生成頁面截圖
lit screenshot report.pdf -o ./screenshots --dpi 300

作為程式庫使用（Python 範例）

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())                  # 包含邊界框的結構化輸出

（Rust、Node 與 WASM 中也有等效 API。）

何時使用雲端版本 – 對於極其複雜的 PDF（密集表格、多欄版面、掃描文件、手寫筆記），作者推薦其雲端服務 LlamaParse，該服務提供重型 AI 驅動的版面重建。當需要速度、隱私或離線運作時，LiteParse 仍是首選。

誰會受益

• 建構 RAG 流程並需要快速、決定性預處理的開發者。
• 需要頁面截圖或精確文字坐標的 LLM 代理平台。
• 無法將文件傳送至外部服務的資料隱私受限企業。
• 無需重型 ML 堆疊即可獲得輕量級、跨語言 PDF 解析器的任何人。

---

TL;DR – LiteParse 是一個快速、本地執行的 PDF（及辦公文件）解析器，可輸出 Markdown、帶邊界框的 JSON、圖片與向量圖形，並可透過 Rust、Python、Node 或瀏覽器呼叫。專為需要結構化文件資料但無雲端依賴的 AI/RAG 工作流程設計。