LiteParse：本地快速文档解析器

约 8.9k GitHub stars | Apache 2.0 | Rust 核心 | 全本地、无云依赖 | 官方文档：https://developers.llamaindex.ai/liteparse/

这是什么

LiteParse 是 LlamaIndex 团队（run-llama）维护的独立开源文档解析工具，定位是「又快又轻」：用 PDFium 做空间文本解析，输出带 bounding box 的 JSON 或纯文本，不捆绑专有 LLM、也不要求云端 API，一切在本地机器完成。

与同类「重云、重模型」方案相比，LiteParse 明确只做高质量空间文本 + 可选 OCR + 页面截图，把复杂表格、多栏、手写、扫描件等难例留给商业云产品 LlamaParse（README 中直说本地解析到顶后应上云）。

输入除 PDF 外，还支持通过 LibreOffice / ImageMagick 自动转 PDF 再解析：Word、PPT、Excel、常见图片等。OCR 默认内置 Tesseract（零配置），也可挂 HTTP OCR 服务（EasyOCR、PaddleOCR 或自研，遵循 OCR_API_SPEC.md）。另提供 lit screenshot 为高 DPI 页面截图，方便 LLM Agent 读取版式与图表。

版本说明：当前仓库主分支为 V2；旧版 V1 代码在 logan/liteparse-v1 分支。

适合谁 / 不适合谁

安装与前置条件

• 核心：各语言包均附带同名 CLI lit（WASM 包除外）
• OCR 默认：Tesseract 已捆绑，一般无需单独安装
• 可选（多格式输入）：
• Office → PDF：LibreOffice（macOS brew install --cask libreoffice 等）
• 图片 → PDF：ImageMagick（brew install imagemagick 等）
• 可选（高精度 OCR）：自建或示例 HTTP OCR 服务（EasyOCR / PaddleOCR）

按语言安装

Agent Skill（可选）

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

或手动复制 SKILL.md 到你的 Skills 目录（可与 [[../01-AI-Agent生态/skills-manage：20+ 平台 Agent Skills 中央统一管理]] 联用）。

核心用法

单文件解析

# 默认文本输出
lit parse document.pdf

# JSON 输出到文件
lit parse document.pdf --format json -o output.json

# 指定页码
lit parse document.pdf --target-pages "1-5,10,15-20"

# 关闭 OCR（纯文本 PDF）
lit parse document.pdf --no-ocr

# 远程 PDF（stdin）
curl -sL https://example.com/report.pdf | lit parse -

常用参数：--ocr-language（Tesseract 语言，默认 eng）、--ocr-server-url（HTTP OCR）、--dpi（默认 150）、--max-pages（默认 1000）、--password（加密文档）。

批量解析

lit batch-parse ./input-directory ./output-directory
# 可选：--recursive、--extension .pdf、--format json

为 Agent 生成页面截图

lit screenshot document.pdf -o ./screenshots
lit screenshot document.pdf --target-pages "1,3,5" --dpi 300 -o ./screenshots

文本抽取无法覆盖的图表、版式信息，可配合截图喂给多模态模型（与 [[x-cli：AI Agent 一句话操控网页的 CLI 工具集]]、[[../01-AI-Agent生态/GBrain：AI Agent 的个人大脑层]] 等 Agent 栈思路一致）。

库调用

各语言详见仓库内 packages/node、packages/python、crates/liteparse 的 README；浏览器场景用 @llamaindex/liteparse-wasm。

与 LlamaParse 的分工

注意事项与风险

• 抓取说明：本篇基于 GitHub API + main 分支 README（2026-06-02）；未抓取 Twitter/X 原帖正文（t.co 仅重定向到仓库）。Star 数、Issue 数以 GitHub 实时为准。
• 解析上限：本地 PDFium + Tesseract 对复杂文档质量有限；误判或漏检时需 --ocr-server-url 或上云 LlamaParse。
• 系统依赖：处理 .docx / .pptx / 图片等需本机 LibreOffice / ImageMagick；Windows 可能需把 LibreOffice 的 program 目录加入 PATH。
• 离线 OCR：设置 TESSDATA_PREFIX 或 --tessdata-path 指向 .traineddata 目录。
• 许可：Apache 2.0；基于 PDFium、Tesseract 等，商用前请自行核对供应链合规。
• V1/V2：链接到旧版 V1 分支的文档或教程可能已过时。

与你现有工具的关系

• 知识库 / RAG：解析 PDF 切块后可导入向量库，与 [[../01-AI-Agent生态/LLM Wiki：让 AI 替你维护个人知识库]] 的「文档进库」环节互补；Obsidian 侧写作仍用本地 Markdown，PDF 源文件用 LiteParse 预处理。
• Skills 生态：官方提供 liteparse Agent Skill，可与 [[../01-AI-Agent生态/skills-manage：20+ 平台 Agent Skills 中央统一管理]]、[[../01-AI-Agent生态/codex-plusplus：给你的 Codex 装上插件系统]] 一并纳入多 IDE 工作流。
• 内容形态：[[../01-AI-Agent生态/html-anything：AI 时代的 HTML 编辑器]] / [[../01-AI-Agent生态/html-anything：4.6k 星从 Markdown 到精美 HTML]] 解决「稿 → 发布 HTML」；LiteParse 解决「PDF/Office → 机器可读文本/JSON」，二者不重叠。
• 音视频：[[../02-内容创作媒体/Buzz：离线 Whisper 音视频转录与翻译]] 处理音轨；LiteParse 处理版式文档，可组成多媒体资料入库管线。
• 编码规范：仓库提供 AGENTS.md / CLAUDE.md，与 [[../01-AI-Agent生态/Karpathy 编码行为准则：AI Agent 的 4 条铁律]] 同属「约束 Agent 写代码」类资源，但 LiteParse 侧是解析工具而非行为准则。

FAQ

Q: LiteParse 和 LlamaParse 必须二选一吗？

A: 不必。README 推荐本地先用 LiteParse 做快速、隐私友好的抽取；遇到复杂文档再切 LlamaParse 云解析，二者同属 LlamaIndex 生态。

Q: 没有 GPU 能用吗？

A: 可以。默认 Tesseract 在 CPU 上运行；--num-workers 可调并发。若接 EasyOCR/PaddleOCR HTTP 服务，性能取决于该服务部署方式。

Q: 为什么 t.co 链接打不开原文？

A: https://t.co/EyYpq5Qrh3 经重定向指向本仓库，无独立推文正文被纳入本篇；若需传播语境，请在 X/Twitter 客户端查看原帖（本次未抓取，可能受登录/地区限制）。

相关链接

• 官方仓库：https://github.com/run-llama/liteparse
• 文档：https://developers.llamaindex.ai/liteparse/
• 短链来源：https://t.co/EyYpq5Qrh3（→ 上述仓库）
• LlamaParse 云解析：https://developers.llamaindex.ai/python/cloud/llamaparse/
• Agent Skill：https://github.com/run-llama/llamaparse-agent-skills/tree/main/skills/liteparse
• 本库相关笔记：[[../01-AI-Agent生态/LLM Wiki：让 AI 替你维护个人知识库]]、[[../01-AI-Agent生态/skills-manage：20+ 平台 Agent Skills 中央统一管理]]、[[../02-内容创作媒体/Buzz：离线 Whisper 音视频转录与翻译]]