开源的本地文档解析神器,实测,快如闪电,400 页 PDF 仅需 1 秒

大家好，我是 Ai 学习的老章

LlamaIndex 搞了个开源文档解析工具叫 LiteParse，Rust 写的，主打一个本地、轻量、飞快

拿 400 多页PDF试了一下，离谱的是，它仅需1秒钟

简介

LiteParse 是 LlamaIndex 团队出品的开源 PDF 解析库，定位是纯本地、无云依赖、无 LLM、无 API Key 的文档解析方案。核心用 Rust 写，通过 PDFium 做文本提取，内置 Tesseract OCR，解析速度快得离谱

• LlamaParse 是 LlamaIndex 的云端文档解析服务，适合处理复杂表格、多栏排版、手写体这种硬骨头。
• LiteParse 是轻量本地版，适合快速批量处理、离线环境、隐私敏感场景。两者互补，不冲突

下面这张图展示了 LiteParse 的完整工作流程：

核心特性：

• Rust 性能底座：核心逻辑全部 Rust 实现，解析一个 3 页 PDF 不到 1 秒
• 多语言绑定：Node.js、Python、Rust、浏览器 WASM 四种用法任选，CLI 命令完全一致
• 灵活 OCR 系统：内置 Tesseract 零配置可用，还支持 HTTP OCR Server（EasyOCR、PaddleOCR 随便接）
• 多格式输入：PDF、DOCX、XLSX、PPTX、各种图片格式，Office 文档走 LibreOffice 自动转换
• Bounding Box：每个文本块都带精确坐标，做后续 AI 流水线直接拿去用
• Agent Skill 支持：一行命令装到编码 Agent 里，Claude Code、Cursor、Qoder 都能直接调用

安装

三行命令选一个，全部装完都有统一的 lit CLI：

# Node.js（推荐，我实测走的这条）npm i -g @llamaindex/liteparse# Pythonpip install liteparse# Rustcargo install liteparse

实测安装后验证：

$ lit --version2.0.0

小插曲：npm registry 显示包版本是 2.0.4，但装出来 lit --version 显示 2.0.0，可能是版本号没同步到 binary 里，不影响使用

实测

我拿了一份真实的 MiniMax IPO 辅导备案报告（3 页中文 PDF）来测试

文本解析（关闭 OCR）：

$ lit parse minimax-ipo-counseling.pdf --no-ocr -o output.txt[liteparse] extract: 949.4ms (3 pages)[liteparse] ocr: 0.0ms[liteparse] project: 3.6ms[liteparse] total: 953.1ms

不到 1 秒搞定 3 页，抽取出了 113 行文本、5120 字节。正文标题、表格内容、公司基本情况全都有：

关于 MiniMax Group Inc.首次公开发行股票并上市辅导备案报告成立日期 2021 年 6 月 30 日注册资本 50,000 美元辅导协议签署时间 2026 年 5 月 29 日

JSON 格式输出（带 Bounding Box）：

$ lit parse minimax-ipo-counseling.pdf --format json --no-ocr -o output.json[liteparse] extract: 5.6ms (3 pages)[liteparse] total: 6.0ms

第二次跑因为有缓存，6 毫秒就完事了。JSON 里每个文本块都带坐标信息，47KB 的结构化数据 

默认 OCR 模式：

$ lit parse minimax-ipo-counseling.pdf --target-pages "1"[liteparse] extract: 29.9ms (1 pages)[liteparse] ocr render: 2.3ms (0 pages)[liteparse] ocr: 0.0ms[liteparse] total: 37.8ms

智能判断：这个 PDF 本身有可抽取文本，所以 OCR 模块直接跳过了（0 pages），没有做无用功

截图生成：

$ lit screenshot minimax-ipo-counseling.pdf --target-pages "1-3" --dpi 150 -o ./screenshots

生成 3 张 PNG，每张 1240×1754 分辨率，8-bit RGBA。这个功能对需要多模态 LLM 处理文档的场景非常有用

批量解析：

$ lit batch-parse ./inputs ./outputs --format text --no-ocr --extension .pdf[liteparse] found 1 files to process[liteparse] batch complete: 1 succeeded, 0 failed

一个命令递归扫描目录，批量出结果

Agent Skill

LiteParse 可以直接装成编码 Agent 的 Skill，这是它的一个杀手级特性：

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

装完之后你的编码 Agent 就能直接解析 PDF、生成截图、提取文本了。Claude Code、Cursor、Qoder 这些 Agent 工具都支持。实测安装后 npx skills list 能看到 liteparse 已经注册成功

使用场景举例：

• 让 Agent 直接解析合同 PDF 抽取关键条款
• 批量截图文档页面给多模态 LLM 做理解
• 在 Agent 工作流里直接嵌入文档解析环节

OCR 配置

内置 Tesseract 零配置就能用，指定语言即可：

# 中文lit parse document.pdf --ocr-language chi_sim# 法语lit parse document.pdf --ocr-language fra# 关闭 OCR（纯文本 PDF）lit parse document.pdf --no-ocr

需要更高精度？接个 HTTP OCR Server：

# 启动 PaddleOCR Servercd liteparse/ocr/paddleocr && python server.py# 指定 OCR Server 解析lit parse document.pdf --ocr-server-url http://localhost:8828/ocr

OCR API 规范很简单：一个 POST /ocr 端点，接收图片返回 { results: [{ text, bbox, confidence }] }，自己写一个也不难

优缺点

优点：

• 速度是真的快，Rust 底子在那里，3 页 PDF 不到 1 秒
• 安装简单，npm/pip/cargo 三选一，开箱即用
• OCR 系统设计得很灵活，内置 Tesseract + 可插拔外部服务
• Agent Skill 支持让它在 AI 工作流里如虎添翼
• 纯本地运行，数据不出门，合规无忧

局限：

• 表格抽取只是空间文本重建，不做结构化表格识别（需要严肃表格场景得配合 LlamaParse 云端版）
• 多栏排版、复杂版式的还原能力有限
• 当前 Skill 文档和 CLI 实际参数有些不一致（比如截图命令 --pages vs --target-pages），新项目迭代快可以理解

总结

LiteParse 的定位很清晰：轻量、本地、快速的文档解析底座。适合需要批量处理 PDF、对延迟敏感、注重数据隐私的场景。它不试图解决所有文档解析难题，但在它擅长的领域做得足够好

推荐给做 RAG 管线预处理、Agent 工具链搭建、离线文档处理的同学试试