LiteParse：专注本地化、轻量级的高性能 PDF 解析工具

这是什么

LiteParse 是由 run-llama 团队开源的一款独立、专注于“快速且轻量”的 PDF 解析工具。该项目主要使用 Rust 编写，旨在提供高质量的文本空间解析（Spatial Text Parsing），并返回包含边界框（Bounding Boxes）的结构化数据。

与依赖云端 API 或集成专有大语言模型（LLM）功能的解析器不同，LiteParse 强调完全本地运行（Everything runs locally），无需任何云依赖或专有 LLM 功能。它通过底层的 PDFium 库进行文本提取，并结合灵活的 OCR 系统，为开发者提供精准的文字定位信息。

解决的问题

在构建基于 LLM 的应用（如 RAG 系统、文档智能 Agent）时，开发者常面临以下痛点：

1. 云端依赖与隐私顾虑：许多主流解析服务（如 LlamaParse 的云端版）需要上传文档到服务器，对于敏感数据或需要严格数据隐私的场景不适用。
2. 本地解析性能瓶颈：传统的本地解析工具往往速度较慢，或者无法提供精确的文本空间位置信息，导致后续处理（如表格还原、多栏排版重建）困难。
3. 复杂文档处理需求：虽然 LiteParse 专注于轻量级解析，但项目方也明确指出，对于极度复杂的文档（如密集表格、多栏布局、图表、手写体或扫描件），如果本地解析效果不佳，建议转向其商业产品 LlamaParse，后者专为生产级文档流水线设计，能提供更干净的 Markdown 和结构化数据。
4. Agent 视觉信息缺失：纯文本解析无法捕捉文档中的视觉元素。LiteParse 提供了截图生成功能，帮助 LLM Agent 通过视觉上下文理解文档内容。

核心功能

LiteParse 的核心架构围绕“输入转换 -> 核心提取 -> 输出绑定”展开，支持多种语言绑定和平台。

1. 多格式输入支持

除了原生支持 PDF，LiteParse 通过集成 LibreOffice 和 ImageMagick，支持自动将以下格式转换为 PDF 后再进行解析：

• Word: .doc, .docx, .docm, .odt, .rtf, .pages
• PowerPoint: .ppt, .pptx, .pptm, .odp, .key
• Spreadsheets: .xls, .xlsx, .xlsm, .ods, .csv, .tsv, .numbers
• Images: 支持直接解析图片文件。

2. 核心解析引擎

• Text Extraction: 使用 PDFium C library 进行高效的文本提取。
• Selective OCR: 提供灵活的 OCR 系统。
  • 内置 Tesseract: 零配置，随库捆绑，开箱即用。
  • HTTP Servers: 可接入任意 OCR 服务器（如 EasyOCR, PaddleOCR 或自定义服务）。
  • 标准 API: 定义了简单的 OCR API 规范，要求 POST /ocr 端点，返回包含 text, bbox 和 confidence 的 JSON。
• Grid Projection: 进行空间布局重建，将提取的文本映射回原始页面的坐标空间。

3. 多语言绑定与平台

• Bindings: 提供 Rust, Node.js/TypeScript (via napi-rs), Python (via PyO3), 以及 Browser/WASM (via wasm-bindgen) 的绑定。
• Platforms: 支持 Linux, macOS (Intel/ARM), Windows。

4. 输出格式

• JSON: 包含文本及其精确的边界框坐标（bbox: [x1, y1, x2, y2]）。
• Text: 保留布局的纯文本格式。
• Screenshots: 生成高质量 PNG 截图，供 LLM Agent 进行视觉分析。

亮点 / 与同类相比

| 特性 | LiteParse | 传统本地解析器 (如 PyPDF2, pdfplumber) | 云端解析服务 (如 LlamaParse Cloud, AWS Textract) | | :--- | :--- | :--- | :--- | | 运行环境 | 完全本地 | 完全本地 | 云端 | | 速度/性能 | 极快 (Rust 核心, PDFium) | 中等/慢 | 取决于网络和服务端负载 | | 空间信息 | 原生支持 Bounding Boxes | 部分支持，实现复杂 | 通常提供结构化数据 | | OCR 集成 | 灵活 (内置 Tesseract 或 HTTP 插件) | 通常需额外配置复杂库 | 内置高精度 OCR | | 多格式支持 | 广 (自动转换 Word/Excel/PPT) | 通常仅支持 PDF | 广 | | 隐私性 | 高 (数据不出本地) | 高 | 低 (数据需上传) | | 复杂度上限 | 中等 (适合常规文档) | 低 | 高 (适合复杂图表/手写) |

关键亮点：

• Agent 友好：不仅提供文本，还提供截图和精确坐标，完美契合 LLM Agent 的工作流。
• 零配置 OCR：内置 Tesseract，无需用户自行安装庞大的 OCR 引擎即可开始使用。
• 统一 CLI：无论通过 npm, pip 还是 cargo 安装，CLI 命令 (lit) 保持一致，降低学习成本。
• 轻量级：没有庞大的依赖树，适合嵌入到资源受限的环境或作为微服务的一部分。

适合谁用 / 上手

适合人群

• LLM 应用开发者：需要本地化、低延迟的文档解析组件，用于构建 RAG 系统或文档处理 Agent。
• 注重数据隐私的企业：无法将文档上传至第三方云服务，必须在本地完成解析。
• 需要空间布局信息的开发者：需要精确的文本坐标来还原表格、图表或处理多栏排版。
• 全栈开发者：需要同时支持 Python, Node.js 和 Web (WASM) 环境的统一解析方案。

上手指南

1. 安装

LiteParse 支持多种包管理器，安装后均使用 lit 命令。

# Node.js / TypeScript
npm install -g liteparse

# Python
pip install liteparse

# Rust
cargo install liteparse

# 作为 Agent Skill 安装 (通过 skills CLI)
npx skills add run-llama/llamaparse-agent-skills --skill liteparse

2. 基本使用示例

解析 PDF 并输出 JSON（含边界框）：

lit parse document.pdf --format json -o output.json

解析特定页面：

lit parse document.pdf --target-pages "1-5,10,15-20"

禁用 OCR（仅提取原生文本，速度最快）：

lit parse document.pdf --no-ocr

生成截图供 Agent 使用：

# 生成所有页面的截图
lit screenshot document.pdf -o ./screenshots

# 生成特定页面，自定义 DPI
lit screenshot document.pdf --target-pages "1,3,5" --dpi 300 -o ./screenshots

批量解析目录：

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

3. OCR 配置

• 默认使用内置 Tesseract：直接运行 lit parse document.pdf 即可，默认语言为英语。
• 指定语言：

  lit parse document.pdf --ocr-language fra  # 法语
  

• 离线环境：设置 TESSDATA_PREFIX 环境变量指向包含 .traineddata 文件的目录。

---