LiteParse：从 PDF 页面提取结构化文本的 Rust 工具

liteparse：LiteParse是什么，以及它有意排除的内容

LiteParse是一个用Rust编写的独立开源PDF解析工具。根据README，它只专注于快速和轻量解析，这意味着它优先考虑速度和资源使用，而不是高级功能。它提供带边界框的空间文本解析，因此输出包含每个文本元素的位置信息。该工具不包含专有的LLM功能，因此不会进行语义理解或摘要。没有云依赖，因此完全在本地机器上运行。对于超出本地解析能力的复杂文档，如密集表格、多栏布局、图表、手写文本或扫描PDF，README推荐使用云服务LlamaParse，该服务专为生产文档管道而构建。README没有提供具体的性能数字或比较，也没有描述"快速"的确切含义。

liteparse：解析如何工作：从PDF到结构化输出

README包含一个描述核心流程的流程图。输入格式（PDF、DOCX、XLSX、PPTX、图像）在需要时进行转换：Office文档通过LibreOffice转换，图像由Rust crate原生处理。PDF文本提取使用PDFium C库。OCR是选择性的，使用Tesseract、HTTP服务器或自定义实现，并将原生文本和OCR结果合并。然后通过网格投影重建空间布局，生成带有文本和边界框的结构化JSON、保留布局的纯文本或PNG截图。同一个核心通过Node.js（napi-rs）、Python（PyO3）和WASM绑定以及CLI暴露。README没有指定网格投影背后的确切算法，但它确实指出输出格式包括Markdown、JSON和文本，其中Markdown能够从空间布局中重建标题、表格、列表、图像和链接。这纯粹是启发式和基于规则的，因此复杂的文档可能无法完美渲染，但解析速度很快。

liteparse：安装和共享CLI

除了WASM之外，所有安装都附带相同的`lit` CLI。README列出了Node.js/TypeScript的`npm i -g @llamaindex/liteparse`、Python的`pip install liteparse`、Rust CLI的`cargo install liteparse`以及浏览器使用的`npm i @llamaindex/liteparse-wasm`。CLI支持解析单个文件、批量解析目录、生成截图和检查文档复杂度。例如，`lit parse document.pdf --format markdown -o output.md`渲染Markdown，`lit is-complex document.pdf`向stderr打印判定，同时向stdout输出逐页JSON。README指出，CLI在npm、pip和cargo安装中是相同的。其他标志包括`--target-pages`用于选择特定页面，`--no-ocr`用于禁用OCR，`--dpi`用于截图分辨率，以及`--num-workers`用于并发OCR工作进程。批量解析命令接受输入和输出目录，并具有`--recursive`和`--extension`等选项。

liteparse：OCR：内置Tesseract和可插拔HTTP服务器

OCR默认启用，Tesseract内置且无需设置即可使用。用户可以使用`--no-ocr`禁用它，或使用`--ocr-language`选择语言。对于离线环境，`TESSDATA_PREFIX`或`--tessdata-path`指向`.traineddata`文件。或者，任何实现LiteParse OCR API规范的OCR服务都可以通过HTTP使用。README提供了EasyOCR和PaddleOCR的示例包装器，API要求POST `/ocr`端点接受`file`和`language`参数，返回包含文本、边界框和置信度的JSON。README没有说明这些选项的性能声明，但它确实指出内置Tesseract是零设置，而HTTP服务器可能提供更高的准确性或性能，但没有给出基准。OCR合并步骤将原生文本与OCR结果结合，`is-complex`命令有助于确定何时需要OCR。

liteparse：PDF以外的输入格式

LiteParse在解析前会自动将多种Office格式转换为PDF。README列出了Word、PowerPoint和电子表格格式，包括`.docx`、`.pptx`、`.xlsx`及更旧的变体，以及`.odt`、`.rtf`、`.pages`、`.key`、`.csv`和`.numbers`。转换依赖LibreOffice，README给出了macOS、Ubuntu/Debian和Windows的安装命令。图像原生支持：`.jpg`、`.jpeg`、`.png`、`.gif`、`.bmp`、`.tiff`、`.webp`和`.svg`。从2.8.0版本开始，图像转换不再需要imagemagick；转换由Rust代码原生处理。README没有详细描述转换行为，也没有说明不同格式的转换质量差异。

liteparse：可选输出功能：矢量图形、结构树、截图、复杂度检查

几个解析选项是可选启用的。`--extract-vector-graphics`添加带形状和合并线的矢量路径数据，其表示遵循LlamaParse PDFium路径提取。`--extract-structure-tree`暴露带标签的PDF逻辑结构，包括元素类型、ID和文本。`--extract-content-bounds`、`--extract-xfa-packets`和`--extract-document-metadata`提供额外的来源和布局信息，如文档创建者和生产者、XMP数据包和内容边界。截图可以包含AcroForm字段外观，每个截图报告是否为纯色填充，这有助于检测空白页。`is-complex`命令执行一次廉价的仅文本层检查，以决定是否需要OCR或更重的处理，并列出诸如scanned、no-text、sparse-text、embedded-images、garbled、vector-text或annotation-text等原因。这些功能都在README中记录，但README没有包含基准数据。

liteparse：开发、代理技能和许可证

该项目是一个Rust工作区，包含核心库和语言绑定的crate。README显示了结构：`crates/liteparse`包含核心和CLI，`liteparse-napi`用于Node，`liteparse-python`用于Python，`liteparse-wasm`用于WASM，还有`pdfium`和`pdfium-sys`包装器。构建命令使用`cargo build --release -p liteparse`、在`packages/node`中的`npm run build`、在`packages/python`中的`maturin develop --release`以及在`packages/wasm`中的`npm run build`。README还描述了一个代理技能：你可以通过`skills` CLI下载它，使用`npx skills add run-llama/llamaparse-agent-skills --skill liteparse`，或者复制`SKILL.md`文件。该项目采用Apache 2.0许可证。许可证摘录授予版权和专利许可，但README和许可证没有就支持、保证或安全作出声明。

LiteParse 直接处理 PDF 页面结构，输出可以是 Markdown，也可以是包含页面、文本项目和坐标信息的 JSON。CLI 支持指定页码、关闭 OCR、提取嵌入图片、输出矢量路径和附加文本元数据；这些选项决定结果是适合阅读，还是适合后续版面分析。它说明自己的 bbox 字段采用 shape rectangle 语义，与 PDFium 路径的坐标命名不同，接入现有解析器时不能只做字段改名。

试跑应准备含标题、表格、扫描页、链接和图片的 PDF，分别比较默认 Markdown、关闭 OCR 和带页面范围的结果。重点观察表格边界、文字顺序、图片示意符、坐标原点和 Tesseract 可执行文件是否可用。README 还支持通过 HTTP 服务器接入 OCR，这带来独立的网络和服务权限问题；本地解析速度快不代表所有版面都能还原。

这项技术的判断应回到可观察的输入、处理阶段和输出。阅读项目时，先把 README 中的目录、命令、配置项和文件路径记下来，再看它们是否在同一版本中彼此对应。安装成功只说明依赖可以解析，不能说明核心流程已经完成；要把首次运行的标准输出、生成文件、退出码和错误日志一起保留。

对于实际接入，最好把最小样本缩到一个明确目标：一次事务、一个技能、一个组件、一个 relay、一个 PDF 页面或一条网关路由。样本越小，越容易知道问题发生在输入格式、配置读取、模型调用、权限检查还是最终输出。项目 README 没有写出的部分，应当标为未说明，不能从仓库名称、星标数量或宣传描述推断。许可证只决定代码使用条件，不替代数据处理、凭据管理和运行权限的审查。

记录还要覆盖输入边界和失败路径。给数据库准备跨节点事务，给安全扫描器准备规则命中样本，给组件库准备带类型检查的 Vue 页面，给协作系统准备两个签名身份，给记忆系统准备可更新的源文档，给解析器准备带扫描页的 PDF，给网关准备一个可控上游，给生成式界面准备未知组件和非法动作。每种样本都应留下原始输入、命令、配置、输出和错误，而不是只截取成功画面。

本项目的专属核验对象是 run-llama/liteparse：需要对照其 README 中写出的安装入口、配置名称和输出格式逐项检查，尤其记录 Rust 代码或脚本实际返回的结果。这样形成的记录可以说明这一次运行发生了什么，不会把未在 run-llama/liteparse 文档中承诺的行为写成结论。run-llama/liteparse 的代码组织、默认参数和错误路径都应单独留下记录。对于数据库，要记录事务、节点和查询结果；对于扫描器，要记录规则命中和报告字段；对于组件库，要记录构建产物和类型错误；对于解析器，要记录页面结构和 OCR 输出；对于网关，要记录路由、插件和上游响应；对于协作或记忆系统，要记录事件、节点与召回内容；对于生成式界面，要记录规格、组件和动作。上述观察项必须对应本项目实际存在的入口，不能拿别的项目经验替代。

编辑结论

适合需要在项目事实基础上做技术选型、代码阅读或本地试跑的人；不适合把仓库 README 当作生产 SLA、线上效果或完整安全审计的人。先按项目 README 中的具体入口跑通最小流程，记录实际输出、错误信息与依赖版本，再决定是否扩大使用范围。

官方来源

1. Official documentation
2. Official README
3. Project repository
4. Release notes