LiteParse 独立开源 PDF 解析工具

LiteParse 是一个独立的开源 PDF 解析工具。

核验日期

核心信息

以下信息由程序从官方接口读取，不经模型改写。

许可证
Apache-2.0
语言
Rust
维护方
run-llama
核验日期

它是什么

LiteParse 是一个独立的开源 PDF 解析工具。它提供带边界框的空间文本解析，不含专有的 LLM 功能或云端依赖。项目自述一切都在本机本地运行，这对应默认内置的 Tesseract OCR；若改接 HTTP OCR 服务器，该服务的接口会接收文件和语言参数，文件是否仍留在本机取决于服务部署在哪里。该项目是一个 Rust 工作区，包含核心库和各语言的绑定 crate。

主要能力

  1. 输出格式有 Markdown、JSON 和文本。

  2. 可以从 Rust、Node.js/TypeScript、Python 或浏览器（WASM）中使用。

  3. 支持的平台有 Linux、macOS（Intel/ARM）和 Windows。

  4. 可以为 LLM 智能体生成页面截图。

  5. Markdown 输出是带有标题、表格、列表、图片和链接的结构化 Markdown。

  6. 在 Python 和 Node.js 中，Worker Pool 模式在持久的工作进程中解析，以实现真正的并行（否则 PDFium 会串行处理并发解析）。

怎么上手

  1. 除 WASM 之外的所有版本都附带相同的 lit 命令行工具。

  2. liteparse 可以作为智能体技能使用，通过 skills 命令行工具下载。

  3. 批量解析会解析整个文档目录。

  4. 复杂度检查始终向标准输出打印逐页 JSON，向标准错误输出打印便于阅读的结论。

摘自 README · bash
npx skills add run-llama/llamaparse-agent-skills --skill liteparse
摘自 README · bash
# Basic parsing
lit parse document.pdf

# Parse to Markdown — headings, tables, lists, images, links
lit parse document.pdf --format markdown -o output.md

# Parse with specific format
lit parse document.pdf --format json -o output.json

# Parse specific pages
lit parse document.pdf --target-pages "1-5,10,15-20"

# Parse without OCR
lit parse document.pdf --no-ocr

# Include page-scoped vector path data in JSON
lit parse document.pdf --format json --extract-vector-graphics

# Include rich per-item PDF text metadata
lit parse document.pdf --format json --extract-text-metadata

# Include page annotations in structured JSON
lit parse document.pdf --format json --extract-annotations

# Include AcroForm widget fields and values (repairs orphaned widgets in memory)
lit parse document.pdf --format json --extract-form-fields

# Parse a remote PDF
curl -sL https://example.com/report.pdf | lit parse -
摘自 README · bash
lit batch-parse ./input-directory ./output-directory
摘自 README · bash
export TESSDATA_PREFIX=/path/to/tessdata
lit parse document.pdf --ocr-language eng

适合谁

内置 OCR 是 Tesseract，随库一同打包。也可以接入 HTTP OCR 服务器，例如 EasyOCR、PaddleOCR 或自定义服务器。复杂度检测用于检查文档是否需要 OCR 或更重的解析。

Markdown 输出模式纯粹基于启发式和规则。在 Markdown 输出中，复杂文档可能无法完美呈现。矢量路径输出需要主动开启，因为路径密集的 PDF 可能产生很大的数据量。

在 JavaScript/WASM 中，结构树提取选项会添加按页划分的结构树。LiteParse 支持在解析前把多种文档格式自动转换为 PDF。Office 文档通过 LibreOffice 处理。

支持的图片格式有 jpg、jpeg、png、gif、bmp、tiff、webp 和 svg。许可证为 Apache 2.0。致谢名单列出 PDFium，用于 PDF 渲染和文本提取。

致谢名单列出 Tesseract，作为 OCR 引擎（通过 tesseract-rs）。致谢名单列出 napi-rs，提供 Node.js 原生绑定。致谢名单列出 PyO3，提供 Python 原生绑定。

致谢名单列出 wasm-bindgen，提供 WebAssembly 绑定。

来源

本页内容整理自以下官方来源，点击可核对原文。

核验日期 ·

本页由 AI 依据上述官方来源整理，并经自动核对，未经本站实测。 发现错误？告诉我们。