处理 PDF 文档解析，用一些在线工具不仅解析速度慢，还容易丢失排版信息，想在本地快速提取带位置信息的文本，选择真的不多。
市面上不是没有好方案，但很多需要网络、要走 API、数据要上传，对于企业内部场景——合同审查、财报分析、医疗记录——数据连内网都不能出。
最近看到 LiteParse 这个开源的 PDF 解析工具，主打本地运行、轻量快速，由 LlamaIndex 团队开发。
基于 PDFium 引擎做文本提取，内置 OCR 光学字符识别，开箱即用不需要额外配置，解析结果还能保留文字的精确位置信息。
除了 PDF，还能自动处理 Word、Excel、PPT 和图片等格式。支持批量解析整个文件夹，也能生成页面截图方便 AI 智能体提取视觉信息。
项目介绍
LiteParse 是 LlamaIndex 团队 3 月发布的开源项目，它的背景很有意思——团队在构建 LlamaParse（他们的云文档解析服务）的过程中，积累了很多关于如何做快速、轻量文档解析的经验，然后把其中最成熟、最通用的解析能力剥离出来，用 Rust 从零重写了一个本地版本。
LiteParse vs LlamaParse：
- • LiteParse: 适合编码智能体和实时管道，看重速度、简洁性和本地执行。它是 LlamaParse 的核心处理部分，开源发布。输出格式有限（文本、截图、边界框），因为它避免了很多会增加延迟的处理。
- • LlamaParse: 适合复杂文档处理，需要在困难布局、结构化输出模式（Markdown 表格、JSON 模式）和高级 OCR 上获得更高准确性。它是云服务，有专有模型可以扩展，不会被 LiteParse 替代。
简单说：如果你在构建智能体或实时应用，需要快速读取 PDF 然后继续，用 LiteParse；如果你在构建文档智能产品，需要完美处理每一个表格，用 LlamaParse。
核心亮点
1、本地运行，零云依赖
这可能是 LiteParse 最大的卖点——所有处理都在你的机器上完成，不需要网络连接，不需要 API Key，数据完全不会离开你的设备。这对于处理敏感文档或部署在受限环境中的团队特别重要。
2、超快速度，基于 PDFium
LiteParse 使用 Google 的 PDFium C 库进行文本提取——这也是 Chrome 浏览器使用的 PDF 引擎。它能提供字符级别的文本提取，每个字符都有精确的边界框、字体元数据、旋转处理和颜色信息。
3、灵活的 OCR 系统
- • 内置 Tesseract：零配置，开箱即用，库已经包含
- • HTTP 服务器：可以接入任何 OCR 服务器（EasyOCR、PaddleOCR、自定义）
- • 标准 API：简单、定义清晰的 OCR API 规范
4、智能 OCR 策略
不是所有页面都需要 OCR！LiteParse 会智能判断：原生 PDF 文本提取是默认路径，OCR 只在没有可提取文本或字符映射混乱的页面触发。原生数字 PDF 完全跳过 OCR 阶段，大大提升了速度。
5、保留空间布局
这是 LiteParse 的核心设计决策——通过网格投影进行空间文本解析。大多数解析器试图将表格和结构化布局转换成 Markdown，但这在合并单元格、多级标题和不规则网格上会失败。
LiteParse 采取不同的方法：它将提取的文本投影到一个虚拟字符网格上，保留原始页面的视觉布局。假设是：LLM 已经知道如何从训练数据中读取空间格式的表格。所以解析器的工作是忠实地保留该结构，而不是解释它。
6、多语言、多平台支持
- • 语言绑定：Rust、Node.js/TypeScript、Python、浏览器（WASM）
- • 平台：Linux、macOS（Intel/ARM）、Windows
7、支持多种格式
除了 PDF，还支持：
- • 办公文档：Word、Excel、PowerPoint、OpenDocument
- • 图片：JPG、PNG、GIF、BMP、TIFF、WebP、SVG
功能特性
1、文本解析
2、截图生成
可以生成高质量页面截图，这对 LLM 智能体特别重要——当需要 AI"看"文档中的图表、公式、手写批注时，截图比文本解析更可靠。
3、批量处理
可以解析整个目录的文档，支持递归搜索和文件扩展名过滤。
4、智能体友好
LiteParse 专门为智能体工作流程设计，它实现了一个强大的智能体模式：解析文本快速理解，需要深度视觉推理时回退到截图。
团队甚至把它打包成了编码智能体的技能：
npx skills add run-llama/llamaparse-agent-skills --skill liteparse
快速上手
LiteParse 支持四种语言环境，选你最顺手的：
# Python
pip install liteparse
# Node.js
npm i -g @llamaindex/liteparse
# Rust CLI
cargo install liteparse
# 浏览器 WASM
npm i @llamaindex/liteparse-wasm
安装即用，不需要额外下载模型或配置依赖。OCR 功能内置了 Tesseract，首次使用会自动下载语言包。
CLI 使用
# 解析一个 PDF，输出文本
lit parse report.pdf
# 输出结构化 JSON（带坐标）
lit parse report.pdf --format json -o output.json
# 指定页码范围
lit parse report.pdf --target-pages "1-5,10,15-20"
# 关闭 OCR（纯文本提取，速度更快）
lit parse report.pdf --no-ocr
# 从 URL 直接解析
curl -sL https://example.com/report.pdf | lit parse -
批量处理
# 解析整个目录下的所有文档
lit batch-parse ./input-docs ./output-docs
生成截图
# 生成所有页面的高清截图
lit screenshot document.pdf -o ./screenshots
# 指定页码
lit screenshot document.pdf --target-pages "1,3,5" -o ./screenshots
# 指定 DPI
lit screenshot document.pdf --dpi 300 -o ./screenshots
Python API 使用
from liteparse import LiteParse
parser = LiteParse()
# 解析 PDF
result = parser.parse("document.pdf")
# 获取结构化数据
for page in result.pages:
for item in page.text_items:
print(f"文本: {item.text}")
print(f"位置: ({item.x}, {item.y}), 大小: {item.width}x{item.height}")
print
(f"字体: {item.font_name}, 字号: {item.font_size}")
print("---")
Node.js API 使用
import { LiteParse } from '@llamaindex/liteparse';
const parser = new LiteParse();
const result = await parser.parse('document.pdf');
console.log(result.text);
// 访问结构化数据
for (const page of result.pages) {
console.log(`Page ${page.pageNum}: ${page.textItems.length} text items`);
}
OCR 配置
默认：Tesseract
Tesseract 是内置的，开箱即用：
# 解析，OCR 默认启用
lit parse document.pdf
# 指定语言
lit parse document.pdf --ocr-language fra
# 禁用 OCR
lit parse document.pdf --no-ocr
对于离线或隔离环境，设置 TESSDATA_PREFIX 到包含预下载的 .traineddata 文件的目录：
export TESSDATA_PREFIX=/path/to/tessdata
lit parse document.pdf --ocr-language eng
或者直接传入路径：
lit parse document.pdf --tessdata-path /path/to/tessdata
可选：HTTP OCR 服务器
如果想要更高的准确率或更好的性能，可以使用 HTTP OCR 服务器。LiteParse 为流行的 OCR 引擎提供了现成的示例包装器：
你可以通过实现简单的 LiteParse OCR API 规范来集成任何 OCR 服务。API 需要：
- • 返回 JSON：
{ results: [{ text, bbox: [x1,y1,x2,y2], confidence }] }
写在最后
LiteParse 是一个定位非常清晰的工具——它不是要替代所有解析器，而是要在"本地、快速、轻量"这个场景做到最好。
由 LlamaIndex 团队背书，用 Rust 实现，支持多种语言绑定，开箱即用的 OCR，保留空间布局的输出，这些特性让它在 RAG 和智能体场景特别有价值。
GitHub： https://github.com/run-llama/liteparse
文档： https://developers.llamaindex.ai/liteparse
