开源本地文档解析神器实测：400页PDF仅1秒

概述

LiteParse 整体架构流程图

• Rust 性能底座：核心全部用 Rust 实现，解析 3 页 PDF 耗时不到 1 秒
• 多语言绑定：Node.js、Python、Rust、浏览器 WASM 四种用法任意选择，CLI 命令完全一致
• 灵活 OCR 系统：内置 Tesseract 零配置即可使用，还支持 HTTP OCR Server（可接入 EasyOCR、PaddleOCR 等）
• 多格式输入：支持 PDF、DOCX、XLSX、PPTX 以及多种图片格式，Office 文档通过 LibreOffice 自动转换
• Bounding Box：每个文本块都附带精确坐标，后续 AI 流水线可直接使用
• Agent Skill 支持：一行命令即可安装到编码 Agent 中，Claude Code、Cursor、Qoder 都能直接调用

安装

# Node.js（推荐，实测使用此路径）
npm i -g @llamaindex/liteparse

# Python
pip install liteparse

# Rust
cargo install liteparse

$ lit --version
2.0.0

实测

$ lit parse minimax-ipo-counseling.pdf --no-ocr -o output.txt
[liteparse] extract: 949.4ms (3 pages)
[liteparse] ocr: 0.0ms
[liteparse] project: 3.6ms
[liteparse] total: 953.1ms

关于 MiniMax Group Inc.首次公开发行股票并上市辅导备案报告
成立日期 2021 年 6 月 30 日
注册资本 50,000 美元
辅导协议签署时间 2026 年 5 月 29 日

$ lit parse minimax-ipo-counseling.pdf --format json --no-ocr -o output.json
[liteparse] extract: 5.6ms (3 pages)
[liteparse] total: 6.0ms

$ lit parse minimax-ipo-counseling.pdf --target-pages "1"
[liteparse] extract: 29.9ms (1 pages)
[liteparse] ocr render: 2.3ms (0 pages)
[liteparse] ocr: 0.0ms
[liteparse] total: 37.8ms

$ lit screenshot minimax-ipo-counseling.pdf --target-pages "1-3" --dpi 150 -o ./screenshots

$ lit batch-parse ./inputs ./outputs --format text --no-ocr --extension .pdf
[liteparse] found 1 files to process
[liteparse] batch complete: 1 succeeded, 0 failed

Agent Skill

npx skills add run-llama/llamaparse-agent-skills --skill liteparse

• 让 Agent 直接解析合同 PDF 抽取关键条款
• 批量截图文档页面供多模态 LLM 理解
• 在 Agent 工作流中直接嵌入文档解析环节

OCR 配置

# 中文
lit parse document.pdf --ocr-language chi_sim

# 法语
lit parse document.pdf --ocr-language fra

# 关闭 OCR（纯文本 PDF）
lit parse document.pdf --no-ocr

# 启动 PaddleOCR Server
cd liteparse/ocr/paddleocr && python server.py

# 指定 OCR Server 解析
lit parse document.pdf --ocr-server-url http://localhost:8828/ocr

优缺点

• 速度极快，得益于 Rust 底层，3 页 PDF 不到 1 秒
• 安装简便，npm/pip/cargo 三选一，开箱即用
• OCR 系统设计灵活，内置 Tesseract，可插拔外部服务
• Agent Skill 支持使其在 AI 工作流中如虎添翼
• 纯本地运行，数据不出门，合规无忧

• 表格抽取仅为空间文本重建，不做结构化表格识别（严肃表格场景需配合 LlamaParse 云端版）
• 多栏排版、复杂版式的还原能力有限
• 当前 Skill 文档与 CLI 实际参数存在不一致（例如截图命令 --pages vs --target-pages），新项目迭代频繁可以理解

总结

来源：互联网