夜雨聆风做 RAG、做 Agent 的人，大概都绕不开"啃文档"这一关。PDF、Word、Excel、PPT，先把它们变成机器能读的文本，才有后面那一整套检索和生成。
但这步往往是又贵又烦。用云服务解析，按页收费，文档一多账单肉疼；更别说有些文档涉及敏感数据，传上云心里不踏实。要是再叠加 LLM 理解，token 更是哗哗地烧。
今天介绍的这个工具想从根上解决这个问题——它叫 LiteParse，LlamaIndex 团队（run-llama）开源的文档解析器，Apache 2.0 协议，GitHub 上 11k 颗星。它的slogan 三个词说得很明白："Parse Any Document. Locally. Fast."——本地解析，快。
LiteParse 是什么：本地优先的开源文档解析器
先说背景。LiteParse 背后是 LlamaIndex 团队，对，就是做 RAG 框架那个。他们家还有个商业云产品叫 LlamaParse，主打"agentic OCR"、VLM 理解那一套企业级能力。LiteParse 则是同一团队出的开源版，定位互补——LiteParse 做本地轻量解析，LlamaParse 做云端重度处理。
官网给 LiteParse 的定位很直白："no cloud, no LLM tokens, no limits"——不上云、不花 token、不设限。Rust 写的，代码库里 Rust 占了 84%，性能这块天生有优势。
它专注一件事：把文档快速、轻量地解析成结构化文本，带 bounding box 坐标，且整个过程完全在本地跑，不碰云、不调 LLM。
本地跑、零云依赖、零 token
这是 LiteParse 最核心的卖点，也是最省钱的地方。
解析引擎基于 PDFium（谷歌那套 PDF 渲染库）做文本提取，OCR 用 Tesseract。这俩都是开源老牌组件，PDFium 负责"原生文本层提取"，Tesseract 负责"扫描件/图片文字识别"。装好就能用，不用配云服务的 key，也不产生任何 LLM 调用费用。
对隐私敏感的场景——金融合同、医疗病历、企业内部文档——数据不出本地这条尤其重要。文档解析这种"前置工序"，本就该尽量轻、尽量在可控环境里完成。
带坐标的空间文本提取，还能重建 Markdown
光把文字抠出来还不够，RAG 和 Agent 往往需要知道"这段文字在页面哪个位置"。LiteParse 提供 bounding box 输出——每个文本块都带坐标信息，方便下游做版面分析、表格定位、阅读顺序还原。
输出格式也很全：Markdown、JSON、纯文本三种。其中 Markdown 重建是亮点，它能从空间布局里还原出标题、表格、列表、图片、链接这些结构元素。这意味着解析出来的 Markdown 可以直接喂给下游，不用再人工修版面。
另外它还能生成页面截图——高质量渲染整页，专门为给 LLM agent 看（视觉理解）准备的。文本 + 截图双管齐下，Agent 拿到的信息更完整。
复杂度检测，先判断再决定怎么解析
这个功能挺聪明，是 v2.2.0 刚加的新特性。
LiteParse 提供一个 is-complex 检测：在真正全文解析之前，先用很低的成本判断这个文档"复不复杂"——是不是密集表格、是不是多栏、是不是扫描件。根据结果再做路由决策：简单文档直接本地快速解析，复杂文档再走更重的处理流程（比如交给 LlamaParse）。
CLI 用起来也很直接：
lit is-complex document.pdf # 先判断复杂度 lit parse document.pdf # 再解析 这个"先探测再处理"的思路能省不少钱和时间——大部分日常文档其实是简单的，没必要每份都上重型解析。
多格式输入 + 可插拔 OCR
输入端 LiteParse 支持一大票格式：PDF、DOCX、XLSX、PPTX，还有图片。非 PDF 格式通过 LibreOffice 和 ImageMagick 先转成 PDF 再解析，基本覆盖了办公场景的常见文件。
OCR 这块是"灵活可插拔"的设计：内置 Tesseract 零配置开箱即用；同时支持插拔式 HTTP OCR 服务器，你可以接 EasyOCR、PaddleOCR，或者自己搭的 OCR 服务，只要符合它那套标准化 OCR API 规范就行。中文场景下，PaddleOCR 的识别效果通常比 Tesseract 好不少，这个可插拔设计就给了你替换的空间。
Rust 内核 + 四语言绑定，WASM 都能跑
技术人会比较关心这点。LiteParse 内核是 Rust，通过三套绑定把能力暴露出去：
○ Python：pip install liteparse，RAG 脚本里直接 import
○ Node.js / TypeScript：npm i @llamaindex/liteparse，前端和后端都能用
○ Rust：cargo add liteparse，原生集成
○ Browser / WASM：npm i @llamaindex/liteparse-wasm，能直接跑在浏览器里
绑定技术用的是 napi-rs（Node）、PyO3（Python）、wasm-bindgen（WASM），都是各语言生态里成熟的 FFI 方案。多平台也全覆盖：Linux、macOS（Intel 和 ARM 都有）、Windows。
能在浏览器里跑文档解析这点挺有意思——意味着纯前端的文档处理应用成为可能，数据完全不出用户设备。
怎么上手
三种姿势任选：
○ Python：pip install liteparse，然后 lit parse your.pdf
○ Node.js：npm i @llamaindex/liteparse
○ Rust：cargo install liteparse
CLI 核心就几个命令：lit parse 解析、lit is-complex 判断复杂度、lit batch-parse 批量、lit screenshot 截图。本身开源免费，没有调用费用。
写在最后
LiteParse 抓住的是文档处理链条上一个很实在的缺口：不是所有文档都需要 VLM、agentic OCR 那种重型方案，大部分场景要的就是"快、本地、结构化输出"。它和自家的 LlamaParse 形成互补——LiteParse 兜底日常文档，LlamaParse 处理复杂件，用 is-complex 做分流，这套组合拳对做 RAG/Agent 的团队很实用。
LlamaIndex 团队出品、Rust 内核、11k 星、Apache 2.0、零 token 零云依赖——如果你正在搭文档处理 pipeline，或者受够了云解析的按页计费，LiteParse 值得认真试一次。
觉得有用的话，点个赞和在看，评论区聊聊你平时怎么解析文档。
参考资料/来源
LiteParse GitHub 仓库：https://github.com/run-llama/liteparse
