我们刚刚发布了一个 LiteParse 功能，可以原生在 Rust 中处理图像转 PDF，移除了对外部包的依赖。LiteParse 是 PDF 解析的作弊码。它是目前最快、最轻量、最准确且免费/开源的解析方案。即使你后续需要基于 VLM 的解析，它也是任何项目的一个良好起点：https://github.com/run-llama/liteparse…

run-llama/liteparse

来源：https://github.com/run-llama/liteparse

LiteParse

CI（https://github.com/run-llama/liteparse/actions/workflows/ci.yml） | Crates.io 版本（https://crates.io/crates/liteparse） | npm 版本（https://www.npmjs.com/package/@llamaindex/liteparse） | wasm 版本（https://www.npmjs.com/package/@llamaindex/liteparse-wasm） | PyPI 版本（https://pypi.org/project/liteparse/） | 许可证（https://opensource.org/licenses/Apache-2.0） | 文档（https://developers.llamaindex.ai/liteparse/）

English | 简体中文

寻找 LiteParse V1？请点击此链接查看旧代码（https://github.com/run-llama/liteparse/tree/logan/liteparse-v1）

LiteParse 是一个独立的 OSS PDF 解析工具，专注于快速和轻量解析。它提供带有边界框的高质量空间文本解析，无需专有 LLM 功能或云依赖项。一切都在你的本地机器上运行。

本地解析遇到瓶颈？ 对于复杂文档（密集表格、多列布局、图表、手写文本或扫描 PDF），我们的云文档解析器 LlamaParse（https://developers.llamaindex.ai/python/cloud/llamaparse/?utm_source=github&utm_medium=liteparse）将提供显著更好的结果，它是为生产级文档流水线构建的。LlamaParse 处理困难的部分，让你的模型看到干净、结构化的数据和 Markdown。

免费注册 LlamaParse（https://cloud.llamaindex.ai?utm_source=github&utm_medium=liteparse）

概述

• 快速文本解析：使用 PDFium 进行空间文本解析
• 灵活的 OCR 系统：
  • 内置：Tesseract（零设置，随库捆绑）
  • HTTP 服务器：可接入任何 OCR 服务器（EasyOCR、PaddleOCR、自定义）
  • 标准 API：简单、定义明确的 OCR API 规范
• 复杂度检测：廉价地检查文档是否需要 OCR 或更重的解析——可在完全解析之前路由、拒绝或估算成本
• 截图生成：为 LLM 代理生成高质量的页面截图
• 多种输出格式：Markdown、JSON 和文本
• Markdown 输出：包含标题、表格、列表、图像和链接的结构化 Markdown——非常适合馈送给 LLM 和 RAG 流水线
• 边界框：精确的文本定位信息
• 多语言：可从 Rust、Node.js/TypeScript、Python 或浏览器（WASM）使用
• 多平台：Linux、macOS（Intel/ARM）、Windows

flowchart LR
    subgraph Input["输入格式"]
        direction TB
        PDF["PDF"]
        DOCX["DOCX"]
        XLSX["XLSX"]
        PPTX["PPTX"]
        IMG["图像"]
    end
    subgraph Core["Rust 核心"]
        direction TB
        CONV["格式转换\nLibreOffice / Rust image + resvg + usvg crates"]
        EXTRACT["文本提取\nPDFium C 库"]
        OCR["选择性 OCR\nTesseract / HTTP / 自定义"]
        MERGE["OCR 合并\n原生文本 + OCR 结果"]
        PROJ["网格投影\n空间布局重建"]
        CONV --> EXTRACT
        EXTRACT --> OCR --> MERGE --> PROJ
        EXTRACT --> MERGE
    end
    subgraph Output["输出"]
        direction TB
        JSON["结构化 JSON\n文本 + 边界框"]
        TEXT["纯文本\n保留布局"]
        SCREEN["截图\nPNG 渲染"]
    end
    subgraph Bindings["语言绑定"]
        direction TB
        NAPI["Node.js / TypeScript\nnapi-rs"]
        PYO3["Python\nPyO3"]
        WASM["浏览器 / WASM\nwasm-bindgen"]
        CLI["CLI\ncargo / npm / pip"]
        NAPI ~~~ PYO3 ~~~ WASM ~~~ CLI
    end
    PDF --> EXTRACT
    DOCX & XLSX & PPTX & IMG --> CONV
    PROJ --> JSON & TEXT & SCREEN
    JSON & TEXT & SCREEN --> Bindings

    style Input fill:#F5F5F5,color:#000000,stroke:#37D7FA,stroke-width:2px
    style Core fill:#F5F5F5,color:#000000,stroke:#3E18F9,stroke-width:2px
    style Output fill:#F5F5F5,color:#000000,stroke:#FF8705,stroke-width:2px
    style Bindings fill:#F5F5F5,color:#000000,stroke:#FF8DF2,stroke-width:2px
    style PDF fill:#96E7F9,color:#000000,stroke:#37D7FA,stroke-width:1px
    style DOCX fill:#96E7F9,color:#000000,stroke:#37D7FA,stroke-width:1px
    style XLSX fill:#96E7F9,color:#000000,stroke:#37D7FA,stroke-width:1px
    style PPTX fill:#96E7F9,color:#000000,stroke:#37D7FA,stroke-width:1px
    style IMG fill:#96E7F9,color:#000000,stroke:#37D7FA,stroke-width:1px
    style CONV fill:#92AEFF,color:#000000,stroke:#4B72FE,stroke-width:1px
    style EXTRACT fill:#92AEFF,color:#000000,stroke:#4B72FE,stroke-width:1px
    style OCR fill:#92AEFF,color:#000000,stroke:#4B72FE,stroke-width:1px
    style MERGE fill:#92AEFF,color:#000000,stroke:#4B72FE,stroke-width:1px
    style PROJ fill:#4B72FE,color:#FFFFFF,stroke:#3E18F9,stroke-width:2px
    style JSON fill:#FFBD74,color:#000000,stroke:#FF8705,stroke-width:1px
    style TEXT fill:#FFBD74,color:#000000,stroke:#FF8705,stroke-width:1px
    style SCREEN fill:#FFBD74,color:#000000,stroke:#FF8705,stroke-width:1px
    style NAPI fill:#FFBFF8,color:#000000,stroke:#FF8DF2,stroke-width:1px
    style PYO3 fill:#FFBFF8,color:#000000,stroke:#FF8DF2,stroke-width:1px
    style WASM fill:#FFBFF8,color:#000000,stroke:#FF8DF2,stroke-width:1px
    style CLI fill:#FFBFF8,color:#000000,stroke:#FF8DF2,stroke-width:1px

安装

通过你喜欢的包管理器安装。所有版本（除 WASM 外）都附带了相同的 lit CLI。

Agent 技能

你可以将 liteparse 用作 agent 技能，使用 skills CLI 工具下载：

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

或者将 SKILL.md（https://github.com/run-llama/llamaparse-agent-skills/blob/main/skills/liteparse/SKILL.md）文件复制粘贴到你自己的技能设置中。

CLI 用法

CLI 在所有安装（npm、pip、cargo install）中是一致的。

解析文件

# 基本解析
lit parse document.pdf

# 解析为 Markdown——标题、表格、列表、图像、链接
lit parse document.pdf --format markdown -o output.md

# 使用特定格式解析
lit parse document.pdf --format json -o output.json

# 解析特定页面
lit parse document.pdf --target-pages "1-5,10,15-20"

# 不使用 OCR 解析
lit parse document.pdf --no-ocr

# 在 JSON 中包含页面范围的矢量路径数据
lit parse document.pdf --format json --extract-vector-graphics

# 包含丰富的逐项 PDF 文本元数据
lit parse document.pdf --format json --extract-text-metadata

# 在结构化 JSON 中包含页面注释
lit parse document.pdf --format json --extract-annotations

# 包含 AcroForm 微件字段和值（在内存中修复孤立的微件）
lit parse document.pdf --format json --extract-form-fields

# 解析远程 PDF
curl -sL https://example.com/report.pdf | lit parse -

Markdown 输出

LiteParse 可以直接将文档渲染为 Markdown。这意味着从空间布局重建标题、表格、列表、图像和链接。这非常适合将文档馈送给 LLM 和 RAG 流水线。此模式纯粹基于启发式和规则，因此复杂文档可能无法完美渲染，但速度很快。

# 渲染为 Markdown
lit parse document.pdf --format markdown -o output.md

# 去除图像，而不是发出占位符
lit parse document.pdf --format markdown --image-mode off

# 将嵌入的图像提取到磁盘，并在 Markdown 中引用它们
lit parse document.pdf --format markdown --image-mode embed --extract-images --image-output-dir ./images

# 提取图像字节和元数据，而不更改 Markdown 图像处理方式
lit parse document.pdf --format json --extract-images

# 将链接文本作为纯文本发出（无 [text](url) 语法）
lit parse document.pdf --format markdown --no-links

# 在 JSON 中包含标记 PDF 的逻辑结构
lit parse document.pdf --format json --extract-structure-tree

图像处理由 --image-mode 控制：

--extract-images 是唯一启用嵌入图像提取的选项。--image-output-dir 需要它，并将提取的字节写入磁盘。JSON 输出包含每个图像的 name、path、页面边界框、固有像素尺寸、旋转、格式和重复关系；像素字节从不嵌入 JSON。相同的图像资源重用相同的输出文件。

库调用者可以通过 extract_images: true（Rust）、extractImages: true（Node/WASM）或 extract_images=True（Python）选择加入。默认值为 false。Markdown 图像模式仅控制呈现；占位符引用仍会在没有字节的情况下被发现。

Markdown 重建质量随文档复杂性而变化。对于最困难的文档（密集表格、多列布局、扫描件），LlamaParse（https://developers.llamaindex.ai/python/cloud/llamaparse/?utm_source=github&utm_medium=liteparse）仍然是最准确的选择。

矢量图形

矢量路径输出是选择加入的，因为路径密集型 PDF 可能会产生较大的有效负载。使用 --extract-vector-graphics、Rust/Python extract_vector_graphics = true 或 JavaScript/WASM extractVectorGraphics: true 启用。然后，每个页面都包含 vector_graphics（JavaScript 中为 vectorGraphics），其中包含：

• shapes：路径边界框、描边/填充绘制状态和 ARGB 颜色，以及路径是否包含贝塞尔曲线。
• lines：兼容的水平/垂直片段，使用描边宽度和绘制颜色合并，并提供左上角 72-DPI 视口坐标。

该表示遵循 LlamaParse PDFium 路径提取；LiteParse 将形状矩形称为 bbox 而不是 PDFium 的 coords，并使用 width / height 而不是 w / h。默认情况下此字段不存在（或为 None/undefined）。对角线和曲线段由其父形状表示，但不会作为线条发出。

标记 PDF 结构树

启用 --extract-structure-tree（Rust/Python extract_structure_tree，JavaScript/WASM extractStructureTree）以添加页面范围的 structure_tree。它保留每个根，并递归地公开元素类型、ID、实际/替代文本、标题、类型化标量属性、标记内容 ID、子级和引用的链接注释。默认情况下该字段不存在；启用后，未标记的页面包含 roots: []。

文档元数据、内容边界和 XFA 数据包

解析结果（Rust/Node/Python API）携带文档的 /Info 中的 creator 和 producer 条目（如果存在）；这些仅是 API 级别的，永远不会出现在 CLI JSON 输出中。启用 --extract-content-bounds（Rust/Python extract_content_bounds，JavaScript/WASM extractContentBounds）以添加每页的 content_bounds：页面上顶层内容对象在视口坐标中的联合边界框（对于空页面不存在）。启用 --extract-xfa-packets（Rust/Python extract_xfa_packets，JavaScript/WASM extractXfaPackets）以添加 xfa_packets，其中包含每个原始 XFA 数据包的索引、名称、字节长度和 XML 内容；非 XFA 文档产生空列表。所有这些都是默认关闭的，因此默认的 JSON 输出保持不变。

截图栅格信号

截图在页面栅格之上绘制 AcroForm 字段外观（填充值、复选框状态），因此表单数据在渲染和 OCR 中可见。每个截图结果报告 is_solid_fill（渲染后的空白页面），并且使用 detect_screenshot_rects（Node 中为 detectScreenshotRects）还报告 rects：在栅格中找到的纯色相同颜色矩形和线条（视口坐标），这涵盖了没有矢量路径的扫描/扁平化页面。

检查复杂度

在完全解析之前，检查文档是否确实需要 OCR 或更重的处理。这是一个廉价的、仅文本层的传递——可用于将文档路由到不同的流水线、拒绝无法处理的文档或估算成本。

# 打印复杂度结论和每页 JSON
lit is-complex document.pdf

# 作为 shell 谓词使用——仅在