LiteParse

在构建基于大语言模型（LLM）的应用时，高质量的数据解析是至关重要的一环。LiteParse 是一个独立的开源 PDF 解析工具，专为追求速度、轻量级和本地化的开发者设计。它摒弃了专有 LLM功能和云依赖，所有处理均在本地完成，提供带精确边界框的空间文本解析，是构建私有化、低成本 AI 应用的理想选择。

核心亮点：快速、本地、全能

1. 极速空间文本解析

• PDFium 引擎：基于高性能 PDFium库进行文本提取，保留文字在页面中的精确位置（边界框 BBox）。
• 结构化输出：支持 JSON 和纯文本格式，便于后续数据处理与索引构建。

2. 灵活且私有的 OCR 系统

• 内置 Tesseract：开箱即用，零配置，无需联网即可处理扫描版 PDF 或图片中的文字。
• HTTP 服务器集成：支持接入任意 OCR 服务器（如 EasyOCR, PaddleOCR），通过标准 API 规范实现更高准确率或特定语言支持。
• 离线友好：通过 TESSDATA_PREFIX 环境变量轻松管理离线语言包，适用于隔离环境。

3. 多模态截图生成

• 高质量渲染：为 LLM Agent 生成高 DPI 的页面截图，捕捉纯文本无法表达的视觉信息（如图表、布局、手写笔记）。
• 灵活控制：支持指定页面、自定义 DPI，完美适配多模态模型的输入需求。

4. 全平台与多语言支持

• 广泛兼容：支持 Linux, macOS, Windows。
• 多语言绑定：提供 Rust, Node.js/TypeScript, Python 原生库，以及基于 WASM 的浏览器端支持。
• CLI 工具：统一的 lit 命令行界面，方便脚本化批量处理。

功能全景

快速开始

1. 安装

根据开发语言选择安装方式：

# Python
pip install liteparse

# Node.js / TypeScript
npm i @llamaindex/liteparse

# Rust (CLI)
cargo install liteparse

# Browser (WASM)
npm i @llamaindex/liteparse-wasm

2. CLI 使用示例

解析单个文件：

# 基本解析（默认启用 OCR）
lit parse document.pdf

# 指定输出格式为 JSON
lit parse document.pdf --format json -o output.json

# 禁用 OCR（仅提取原生文本）
lit parse document.pdf --no-ocr

# 指定法语 OCR
lit parse document.pdf --ocr-language fra

生成截图（用于多模态分析）：

# 截图所有页面，输出到 screenshots 目录
lit screenshot document.pdf -o ./screenshots

# 截图第 1, 3, 5 页，300 DPI
lit screenshot document.pdf --target-pages "1,3,5" --dpi 300 -o ./screenshots

批量处理目录：

lit batch-parse ./input-directory ./output-directory --recursive

3. Agent Skill 集成

将 LiteParse 作为技能添加到你的 Agent 中：

npx skills add run-llama/llamaparse-agent-skills --skill liteparse

适用场景

• 企业级 RAG 构建：在本地安全环境中解析敏感文档，无需上传至云端 API。
• 学术与研究资料处理：高效提取论文、报告中的文本与图表截图，辅助文献分析。
• 多模态 AI Agent：结合文本解析与页面截图，让 Agent “看”懂复杂布局和非结构化内容。
• 离线/边缘计算设备：在无网络环境下运行 OCR 和 PDF 解析，适用于嵌入式或隔离系统。
• 大规模文档数字化：利用批量处理和并发能力，快速整理海量历史档案。

LiteParse vs. LlamaParse

• LiteParse：轻量、快速、完全本地、免费、开源。适合大多数标准 PDF 及对隐私/成本敏感的场景。
• LlamaParse：基于云端 LLM，擅长处理极度复杂的布局（密集表格、混合图文、手写体）。适合对解析精度要求极高且预算充足的场景。

建议：对于常规文档优先使用 LiteParse；遇到解析极限时，再考虑切换到 LlamaParse。