用途:LiteParse 是开源本地文档解析器,做布局感知的文本抽取,输出布局文本、结构化 JSON 或启发式 Markdown,可用于布局感知 RAG、引用定位、图表区域判断、扫描件 OCR 与批量文献摄取。
主要能力:从 PDF、Office(需 LibreOffice)、图片(内置转换)中提取文本;空间文本项带边界框,Python 可加 emit_word_boxes=True 获取词级框;OCR 默认开启,内置 Tesseract,可指定语言、并行 worker、DPI,或接自建 HTTP OCR 服务;支持指定页码、密码 PDF、从字节或 stdin 解析、页面 PNG 截图、目录批量解析与短语搜索(search_items 合并相邻项返回合并边界框)。
用法:uv pip install "liteparse==2.15.0",可用 lit --help 及 python -c "import liteparse; print(liteparse.version)" 验证;Node 可选 npm i @llamaindex/liteparse@2.15.0。CLI 示例:lit parse paper.pdf;lit parse paper.pdf --format json -o paper.json;lit parse paper.pdf --no-ocr;lit screenshot document.pdf --target-pages "1,3,5" -o ./screenshots;lit batch-parse ./papers ./parsed --format json --recursive。Python 用 LiteParse(quiet=True).parse("paper.pdf") 取 result.text 或遍历 page.text_items。
限制:Office 转换依赖 LibreOffice 与字体,公式和排版可能变化;Markdown 为启发式,不还原图表数据;confidence 不代表正确性;max_pages 默认 1000,可能漏页;离线需预置 .traineddata 并设 TESSDATA_PREFIX 或 --tessdata-path;密集表格、手写与生产云流水线建议改用其他方案;缺失信息暂未提供。