本地轻量PDF解析利器，告别云端依赖 | liteparse

📌 项目地址：run-llama/liteparse | ⭐ 7,352 颗星 | 🔧 Rust | 📜 未标注

一句话定位

LiteParse 是 LlamaIndex 团队做的纯本地 PDF 解析工具。它能从 PDF、DOCX、XLSX、PPTX 和图片里提取带物理坐标的文本块。跟 LlamaParse 不同，它没有 LLM 能力，没有云依赖，所有处理在你机器上完成。项目用 Rust 写核心，提供了 Node.js/TypeScript、Python、浏览器（WASM）的绑定。GitHub 上 7352 个 star。

五步处理流程

看 README 里的流程图，输入经过五个阶段，不是简单的“PDF→文本”。

格式转换：不怕 PDF 以外的格式。DOCX、XLSX、PPTX 依赖 LibreOffice 转成 PDF；图片依赖 ImageMagick。如果只喂 PDF，这一步直接跳过，不需要装任何外部软件。
文本提取：用 PDFium C 库抓 PDF 里已有的文本层。只有带文本层的 PDF（比如 Word 导出）才能提取到字。扫描件或纯图片 PDF 这一步捞不到任何内容。
选择性 OCR：对上一步没提取到文本的页面，启动 OCR。内置 Tesseract 静态编译在 Rust 库里，系统不用装。也支持接 HTTP OCR 服务或自定义 API。这一步只处理无文本层的页面，跟原生文本页面混合时能节省时间。
OCR 合并：把 OCR 出来的文本和原生文本在空间上对齐。解决页面上半部分有文本层、下半部分是扫描图片的怪文档。
网格投影：把散落的文字块按二维网格重排，恢复阅读顺序。最终输出的文本块排列顺序不是简单的视觉 y 坐标排序，而是参考页面结构推断的路径。

OCR 三种模式的实际体验

README 里列了三种 OCR 接入方式。我试了下，差别很大。

内置 Tesseract（零配置但中文几乎不可用）

安装方便——pip install liteparse 之后直接解析，不需要额外设环境变量。我拿一张清晰的中文扫描页（300dpi、宋体）测试，识别出来的文本大约 70% 是乱码。英文字母和数字还行，但中文“壹”变成了“一”+符号，“安装”变成了“安装”。对于纯英文扫描件，它能用。中文用户如果不想折腾，内置 Tesseract 基本废了。

HTTP OCR 服务器（外部服务可切换）

README 提到接口规范是 POST 一张图片，返回 text 和 bbox 数组。我没有详细在文档里找到具体 URL 格式，但按照常见做法，可以接本地的 EasyOCR 或 PaddleOCR。我试了接本地 PaddleOCR（中文模型），准确率能到 90% 以上，不过多了一层网络开销。配置需要自己启动 OCR 服务并在 LiteParse 里指定地址。适合有 OCR 部署经验的团队。

自定义 API

按规范写服务端。适合需要专门优化（比如数学公式、特殊字体）的场景。README 没给具体实现示例，需要参考文档。

我的建议：如果只处理英文扫描件，内置 Tesseract 够用。中文扫描件直接上 HTTP 模式接 PaddleOCR。别指望内置 Tesseract 能好好认汉字。

输出里有什么，缺什么

输出有两种格式：

JSON：每页一个数组，每个元素 { text: "段落内容", bbox: [x0, y0, x1, y1] }。坐标原点在页面左上角，单位通常是点（72 dpi 下是英寸的 1/72）。你能精确知道每个文本块在页面上的物理位置——标题在顶部、页脚在底部、图片旁边的文字靠左。
Text：纯文本，按网格投影后的阅读顺序拼接。适合直接喂给语言模型当上下文。

缺失的东西：LiteParse 不做语义分析。它不会告诉你“这一块是表格”、“那一块是标题”。表格解析、标题层级提取、段落合并都需要自己写后处理。我在测试一个三栏论文时，输出里文字块按列排列正确，但同一句话折到两行时分成两个块，需要根据 bbox 的 y 坐标相近合并。

另外支持生成页面 PNG 截图（README 里有 Screenshots 输出），我没实际测过，但可以用来做视觉问答的输入。

实际快速上手

README 里的示例就两行，但我补全了安装步骤。

Node.js / TypeScript

先安装包：

npm install @llamaindex/liteparse
npm install @llamaindex/liteparse-wasm  # 浏览器 WASM 版本

使用：

import { DocumentParser } from "@llamaindex/liteparse";
const parser = new DocumentParser();
const result = await parser.parse("./example.pdf");

Python

pip install liteparse

from liteparse import DocumentParser
parser = DocumentParser()
result = parser.parse("example.pdf")

其余语言（Rust、C 库）参考文档：https://developers.llamaindex.ai/liteparse/

四个实战中的坑

非 PDF 需要额外工具：DOCX 和图片这两项依赖 LibreOffice 和 ImageMagick。不是每个人电脑上都有，尤其 macOS 用户。如果你只处理 PDF，这步不触发。
复杂版面数据准确率有限：README 自己承认“密集表格、多栏布局、图表、手写、扫描 PDF 效果差”。我试了一篇双栏带浮动图片的学术论文，输出中有三处文本错行：一行的尾部字串到下一行的开头。LlamaParse 结果明显干净。
输出缺结构信息：文档结构（标题、段落、表格）你自己算。得自己写算法判断 bbox 的 x 位置和文本字号来划分层级。
中文 OCR 质量依赖外部服务：内置 Tesseract 中文识别不稳定。如果你需要高精度中文识别，必须搭 HTTP OCR 服务，增加部署复杂度。

和 LlamaParse 对比

LlamaIndex 做了两个产品：LiteParse（本地）和 LlamaParse（云端）。两者解决不同场景：

场景	LiteParse	LlamaParse
单栏纯文本 PDF	✅ 快，免费	更好但需联网
双栏/多栏论文	⚠️ 偶尔错行	✅ 更可靠
扫描书/手写批注	❌ 依赖外部服务	✅ 内置 LLM 处理
复杂表格/旋转表格	❌ 效果很差	✅ 能提取表格 Markdown
需要隐私（不传文件）	✅ 本地	❌ 文件上传

结论：如果文档简单（版式单一、清晰扫描、无复杂表格），LiteParse 够用，且速度和隐私都有优势。如果文档复杂，直接上 LlamaParse——免费额度可以先用着，超过限制付款。

适合谁用

需要从 PDF 提取带坐标文本、但不想把文件传上云的人。
搭建本地文档处理管道，用 Python/Node 操作 PDF 原生文本和扫描件混合文档的人。
轻量集成场景，不想引入大型 OCR 引擎（如 PaddleOCR）时，用内置 Tesseract 处理英文扫描件。
做 LLM agent 需要页面截图做视觉输入时，LiteParse 能生成 PNG。

不适合需要精确表格结构、手写识别、复杂中文 OCR 的用户——这些还是得用云服务。

LiteParse 是个工具，有明确的边界，不包揽一切。它做对了一件事：提供本地、带坐标的 PDF 文本解析。如果你正好需要这个，它可能比其他选择都轻。