夜雨聆风
LiteParse:快速轻量本地文档解析
开源工具
GitHub 一夜暴涨9000星：LiteParse 重新定义文档解析
你有没有过这种经历
给 AI 投喂一份 PDF 文档，等着它给出有价值的回答，结果模型完全漏掉了关键数据——表格里的数字对不上，段落里的数字对不上。你一看解析结果才发现，PDF 里的文字根本没提取完整，表格变成了乱码，图片里的内容更是完全丢失。
这不是模型的问题。问题的根源在于：大多数 PDF 解析工具，根本没有真正「读懂」文档的结构。文字提取是做到了，但空间位置、阅读顺序、多栏布局、表格结构——这些决定信息是否准确的结构信息，全部丢失了。
最近 GitHub 上出现了一个 Rust 写的文档解析工具，叫 LiteParse。发布不到四个月，Stars 突破 8000，一天之内新增超过 900 颗。它的核心理念很简单：快、轻、准，而且全部跑在本地。不做云端，不依赖大模型 API，把文档解析这件事做到极致。
01 功能：它能解析什么
LiteParse 支持的格式覆盖了日常办公中最常见的几类：PDF、DOCX、XLSX、PPTX、图片。无论是你从网上下载的论文报告，还是同事发来的 Excel 数据表，或者是截图里的表格内容，它都能统一处理。
它输出的不只是纯文本。你可以拿到 JSON 格式的结构化数据——包含文字内容和对应的边界框（bounding box）信息，也就是每个文字块在页面上的准确坐标。这意味着即使是一份复杂的双栏排版文档，LiteParse 也能还原出正确的阅读顺序，而不是把内容搅成一团。
还有一个很实用的功能——截图生成。它可以用指定的 DPI 把 PDF 页面渲染成高清图片，输出 PNG 文件，供你在工作流里直接使用，或者喂给多模态模型做进一步分析。
「LiteParse is a standalone OSS PDF parsing tool focused exclusively on fast and light parsing. Everything runs locally on your machine.」
—— LiteParse README
02 技术：它是怎么做到的
LiteParse 的核心由 Rust 实现，选择 Rust 的理由很充分：速度极快，内存安全，且适合编译成 WASM 在浏览器里跑。PDF 文字提取用的是 PDFium C 库——这是 Google Chrome 底层也在用的 PDF 渲染引擎，经过了大量实战验证。
最关键的一点是它的 选择性 OCR 机制。PDF 本身自带文字的页面，直接提取就行，不需要浪费算力做 OCR。只有当某一页是扫描件或图片嵌入时，LiteParse 才会调用 OCR 处理。而且 OCR 引擎是插件化的——内置 Tesseract（零配置，开箱即用），也可以接入任何支持标准 API 的 HTTP OCR 服务，比如 EasyOCR、PaddleOCR，或者你自己训练的模型。
整个处理流程是：格式转换 → 文字提取 → 选择性 OCR → 结果合并 → 网格投影重建阅读顺序。语言绑定方面，覆盖了 Rust、Python、Node.js/TypeScript、WASM（浏览器），用哪门语言都能无缝集成。
03 安装：快速上手
安装 LiteParse 非常简单，根据你使用的语言选一条命令即可：
# Rust
cargo install liteparse
# Python
pip install liteparse
# Node.js / TypeScript
npm i @llamaindex/liteparse
# Browser (WASM)
npm i @llamaindex/liteparse-wasm
OCR 功能默认开启，使用 Tesseract，默认语言为英文。配置项也很灵活——可以指定 DPI、目标页码范围、密码保护文档、输出格式（JSON 或纯文本）等。对于有特殊需求的用户，还可以通过实现 OcrEngine trait 来接入自定义 OCR 后端。
04 观察：为什么它值得注意
LlamaIndex 官方出了 LiteParse 做「Lite」版本，本身就是一个很强的信号。它的定位很明确：做轻量本地解析，对标 LlamaParse 云端版本。两者共享同一个技术规范，在不同的场景下互为补充——轻量场景用 LiteParse，需要处理复杂文档（密集表格、多栏布局、图表、扫描件）时用 LlamaParse。
本地运行 + 零云依赖是它最大的差异化优势。在数据隐私越来越受重视的今天，能把文档解析这件事完全放在本地跑，不用把敏感文件上传到第三方 API，意味着它可以直接集成到企业内部的知识管理系统里，这是很多竞品做不到的。
✅ 适合场景：RAG 系统文档预处理、知识库构建本地化、企业内部数据管道、低资源环境部署
❌ 不适合：复杂扫描件密集表格（建议用 LlamaParse 云端版）、超大型文档批量处理（需要分布式架构）
05 结尾
文档解析这件事，看起来基础，真正做好却很难。LiteParse 的价值在于，它把「快速准确提取结构化文档信息」这件事做到极致，用 Rust 的性能换速度，用模块化的 OCR 设计换灵活性，用纯本地的运行模式换数据安全。
如果你正在构建 RAG 系统，或者需要一个可靠的本地文档解析工具，LiteParse 值得你花十分钟跑一下 demo。如果你的文档里有大量复杂表格和扫描件，LlamaParse 是它的官方搭档。
它们的关系很简单：LiteParse 负责简单的，LlamaParse 负责复杂的。两件事分开做，各自做到最优。
最后说两句。
文档解析赛道正在变得热闹起来。LlamaIndex 这样的头部项目亲自下场做「轻量版」，本身就说明这个需求是真实的。不是每个人都需要云端的大模型来处理文档，也不是每个场景都值得为解析这一步付云服务的费用。本地化、确定性、可控的文档解析，正在成为 AI 应用栈里越来越重要的一层基础设施。
LiteParse 的 8000 星只是开始。
📌 数据来源：GitHub Trending，2026-05-31
GitHub：https://github.com/run-llama/liteparse
如果你觉得这个项目有意思，欢迎 Star 支持开源 🧬