parse

用途

LiteParse 用于在本地解析非结构化文档，支持多格式文档转换与空间化文本提取。它快速、轻量，无需云依赖，也不需要 LLM。

主要能力

解析多种格式：PDF、Word（.doc/.docx/.docm/.odt/.rtf）、PowerPoint（.ppt/.pptx/.pptm/.odp）、表格（.xls/.xlsx/.xlsm/.ods/.csv/.tsv）、图片（.jpg/.jpeg/.png/.gif/.bmp/.tiff/.webp/.svg）。
输出纯文本或带边界框的结构化 JSON。
支持 OCR（默认内置 Tesseract.js，可指定语言，也可接入外部 HTTP OCR 服务器）。
支持指定页码范围、DPI、最大页数等参数。
支持批量解析目录，可按扩展名过滤并递归处理。
支持生成页面截图，便于需要查看视觉布局的 LLM 智能体使用。

使用方式

安装

npm i -g @llamaindex/liteparse

验证安装：

lit --version

Office 文档支持需要 LibreOffice：

# macOS
brew install --cask libreoffice

# Ubuntu/Debian
apt-get install libreoffice

图片解析需要 ImageMagick：

# macOS
brew install imagemagick

# Ubuntu/Debian
apt-get install imagemagick

解析单个文件

# 基础文本提取
lit parse document.pdf

# JSON 输出保存到文件
lit parse document.pdf --format json -o output.json

# 指定页码范围
lit parse document.pdf --target-pages "1-5,10,15-20"

# 禁用 OCR（更快，适用于纯文本 PDF）
lit parse document.pdf --no-ocr

# 使用外部 HTTP OCR 服务器以提高准确率
lit parse document.pdf --ocr-server-url http://localhost:8828/ocr

# 更高 DPI 以获得更好质量
lit parse document.pdf --dpi 300

批量解析目录

lit batch-parse ./input-directory ./output-directory

# 仅处理 PDF，递归
lit batch-parse ./input ./output --extension .pdf --recursive

生成页面截图

# 所有页面
lit screenshot document.pdf -o ./screenshots

# 指定页面
lit screenshot document.pdf --pages "1,3,5" -o ./screenshots

# 高 DPI PNG
lit screenshot document.pdf --dpi 300 --format png -o ./screenshots

# 页面范围
lit screenshot document.pdf --pages "1-10" -o ./screenshots

关键选项

OCR 选项：

默认：Tesseract.js，零配置，内置。
--ocr-language fra：设置 OCR 语言（ISO 代码）。
--ocr-server-url <url>：使用外部 HTTP OCR 服务器（EasyOCR、PaddleOCR、自定义）。
--no-ocr：完全禁用 OCR。

输出选项：

--format json：带边界框的结构化 JSON。
--format text：纯文本（默认）。
-o <file>：将输出保存到文件。

性能/质量选项：

--dpi <n>：渲染 DPI（默认 150；高质量用 300）。
--max-pages <n>：限制解析页数。
--target-pages <pages>：解析指定页面（如 "1-5,10"）。
--no-precise-bbox：禁用精确边界框（更快）。
--skip-diagonal-text：忽略旋转/对角文本。
--preserve-small-text：保留否则会被丢弃的极小文本。

使用配置文件

可生成 liteparse.config.json 以复用一致选项：

{
  "ocrLanguage": "en",
  "ocrEnabled": true,
  "maxPages": 1000,
  "dpi": 150,
  "outputFormat": "json",
  "preciseBoundingBox": true,
  "skipDiagonalText": false,
  "preserveVerySmallText": false
}

使用 HTTP OCR 服务器时：

{
  "ocrServerUrl": "http://localhost:8828/ocr",
  "ocrLanguage": "en",
  "outputFormat": "json"
}

配合使用：

lit parse document.pdf --config liteparse.config.json

HTTP OCR 服务器 API（高级）

自定义 OCR 后端需实现：

端点：POST /ocr
接受：file（multipart）和 language（字符串）参数
返回：

{
  "results": [
    { "text": "Hello", "bbox": [x1, y1, x2, y2], "confidence": 0.98 }
  ]
}

LiteParse 仓库中提供了 EasyOCR 和 PaddleOCR 的即用包装器。

适用场景

需要本地、无云依赖地解析 PDF、Office 文档或图片。
需要带边界框的结构化 JSON 输出以进行空间化文本提取。
需要批量处理目录中的文档。
需要为 LLM 智能体生成页面截图以查看视觉布局。

限制

Office 文档需要 LibreOffice；图片需要 ImageMagick。LiteParse 会先将这些格式自动转换为 PDF 再解析。
默认 OCR 使用 Tesseract.js；更高准确率需接入外部 HTTP OCR 服务器。
关于收费、价格、平台支持范围等更多信息暂未提供。