LiteParse：一款极速轻量的本地文档解析工具

项目介绍

LiteParse 是一个开源的文档解析工具，专注于快速轻量的空间文本提取。它完全在本地运行，无需云依赖，不使用专有 LLM 功能，为隐私敏感的 RAG 管道和编码代理提供理想的解决方案 。

该项目使用 Rust 编写以确保性能和可靠性，并提供多种语言绑定，包括 Node.js/TypeScript、Python、Rust 和浏览器（WASM） 。

使用方法

安装

LiteParse 支持多种安装方式，所有版本（WASM 除外）都提供相同的litCLI ：

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

# Python
pip install liteparse

# Rust
cargo install liteparse

CLI 使用

# 基本文本提取
lit parse document.pdf

# 输出结构化 JSON（包含边界框）
lit parse document.pdf --format json -o results.json

# 解析特定页面
lit parse document.pdf --target-pages "1-5,10"

# 为 LLM 代理生成截图
lit screenshot document.pdf -o ./screenshots

库使用（Python 示例）

from liteparse import LiteParse

parser = LiteParse()
result = parser.parse("document.pdf")
print(result.text)

使用场景

• •实时应用：需要快速响应的文档处理场景
• •编码代理：为 AI 编码助手提供文档理解能力
• •本地工作流：隐私敏感的文档处理需求
• •RAG 管道：检索增强生成系统的文档预处理
• •多语言文档处理：支持 80+ 种语言的 OCR 识别

核心特点

1. 极速解析

使用 PDFium 进行空间文本解析，提供高性能的文本提取能力 。

2. 灵活的 OCR 系统

• •内置 Tesseract：零配置，开箱即用
• •HTTP OCR 服务器：支持 EasyOCR、PaddleOCR 等外部引擎
• •标准 API：简单明了的 OCR API 规范

3. 精确的空间信息

为每个文本项提供精确的边界框坐标，保留文档的原始布局信息 。

4. 多格式支持

自动转换多种文档格式：

• • PDF（原生支持）
• • Office 文档（DOCX、XLSX、PPTX）- 需要 LibreOffice
• • 图片（PNG、JPG、WebP 等）- 需要 ImageMagick

5. 截图生成

生成高质量页面截图，为 LLM 代理提供视觉信息捕获能力 。

6. 多语言多平台

• • 支持 Rust、Node.js/TypeScript、Python、浏览器（WASM）
• • 跨平台支持：Linux、macOS（Intel/ARM）、Windows

技术亮点

LiteParse 采用模块化架构，核心解析逻辑使用 Rust 实现，通过语言绑定暴露统一的 API 表面 。其独特的网格投影算法能够精确重建文档布局，支持复杂的多列和表格结构 。

OCR 系统采用选择性触发机制，仅在文本稀疏或检测到图像时运行，在准确性和性能之间取得平衡 。

总结

LiteParse 是一个专为现代文档处理需求设计的工具，它结合了 Rust 的性能、灵活的 OCR 能力、精确的空间信息提取，以及多语言多平台支持，是构建本地文档处理管道的理想选择。