你不需要视觉模型也能知道 PDF 里有复选框。

LiteParse 现在可以直接从 PDF 中提取结构化数据：表单字段值、复选框状态、注释、嵌入图像、矢量图形、带标签的文档结构，以及单词级边界框，每页仅需毫秒级处理。

对于确实需要模型处理的页面，新增的复杂度信号会告诉你原因。扫描页面、多栏文本、表格（有框线和无框线）、密集图形，帮你把解析任务路由到最合适的工具（比如 LlamaParse！）

文档：https://developers.llamaindex.ai/liteparse/guides/extraction/… https://developers.llamaindex.ai/liteparse/guides/complexity/…

试试看：https://github.com/run-llama/parse-gateway…

提取选项

来源：https://developers.llamaindex.ai/liteparse/guides/extraction/ 默认情况下，LiteParse 只返回文本、几何信息和页面元数据。PDF 除此之外可能携带的所有内容（嵌入图像、矢量图、注释、表单字段、带标签的结构树、逐字形排版信息）都是可选的，由各自的标志控制。

这样既能保持默认输出结构小巧、稳定且生成成本低，也意味着如果你知道数据就在文件中却看不到输出结果，那多半是漏了某个标志。

每个选项都会消耗解析时间和输出体积。只开启你实际用到的功能。

Rust / Python / CLINode / WASM添加内容extract\_images/\-\-extract\-images``extractImages``images\[\],image\_error\_count``extract\_vector\_graphics/\-\-extract\-vector\-graphics``extractVectorGraphics``pages\[\]\.vector\_graphics``extract\_annotations/\-\-extract\-annotations``extractAnnotations``pages\[\]\.annotations``extract\_form\_fields/\-\-extract\-form\-fields``extractFormFields``pages\[\]\.form\_fields``extract\_structure\_tree/\-\-extract\-structure\-tree``extractStructureTree``pages\[\]\.structure\_tree``extract\_content\_bounds/\-\-extract\-content\-bounds``extractContentBounds``pages\[\]\.content\_bounds``extract\_xfa\_packets/\-\-extract\-xfa\-packets``extractXfaPackets``xfa\_packets\[\]``extract\_text\_metadata/\-\-extract\-text\-metadata``extractTextMetadata``text\_items\[\] 上的额外键include\_complexity/\-\-complexity``includeComplexity``pages\[\]\.complexity``emit\_word\_boxes（无 CLI 标志）emitWordBoxes``TextItem\.words（仅限绑定）有一个开关默认开启：extract\_links（用 \-\-no\-links 可关闭）。参见 Markdown 指南（https://developers.llamaindex.ai/liteparse/guides/markdown/）。

• TypeScript（https://developers.llamaindex.ai/liteparse/guides/extraction/#tab-panel-7）
• Python（https://developers.llamaindex.ai/liteparse/guides/extraction/#tab-panel-8）
• Rust（https://developers.llamaindex.ai/liteparse/guides/extraction/#tab-panel-9）
• CLI（https://developers.llamaindex.ai/liteparse/guides/extraction/#tab-panel-10）

import { LiteParse } from "@llamaindex/liteparse";

const parser = new LiteParse({
  outputFormat: "json",
  extractImages: true,
  extractFormFields: true,
  extractAnnotations: true,
  extractTextMetadata: true,
});

const result = await parser.parse("form.pdf");

extract\_images 会解码嵌入的栅格图像，并在文档级的 images 数组中返回其字节和元数据。配合 image\_output\_dir 可将每张图像写入磁盘，而不是保存在内存中。

lit parse report.pdf --format json --extract-images --image-output-dir ./images

{
  "images": [
    {
      "id": "p1_i0",
      "name": "image_p1_0.png",
      "path": "./images/image_p1_0.png",
      "page": 1,
      "bbox": { "x": 72.0, "y": 118.5, "width": 240.0, "height": 160.0 },
      "width": 800,
      "height": 533,
      "rotation": 0.0,
      "format": "png"
    }
  ],
  "image_error_count": 0
}

注意事项：

• image\_output\_dir 必须配合 extract\_images 使用——单独设置会报配置错误。image\_mode: "embed" 也隐含开启提取，这是为了向后兼容。
• 当同一图像在文档中出现多次时，会设置 duplicate\_of 字段；重复项指向规范条目的 id，而不是重新存储像素数据。
• image\_error\_count 统计解码失败的图像数量。为零时省略该字段。
• 这与 image\_mode 是两回事，image\_mode 只控制图像引用如何写入 markdown。参见 Markdown 指南（https://developers.llamaindex.ai/liteparse/guides/markdown/）。

extract\_vector\_graphics 报告每页上的矢量绘制操作，分为填充/描边的 shapes 和直线 lines。用于查找表格线、下划线、分隔线和图表几何形状。

{
  "vector_graphics": {
    "shapes": [
      {
        "bbox": { "x": 72.0, "y": 400.0, "width": 180.0, "height": 90.0 },
        "stroke": true,
        "stroke_color": "#000000",
        "fill": false,
        "has_curve": true
      }
    ],
    "lines": [
      {
        "x1": 72.0, "y1": 512.0, "x2": 540.0, "y2": 512.0,
        "stroke": true,
        "stroke_width": 0.5,
        "stroke_color": "#cccccc",
        "fill": false
      }
    ]
  }
}

extract\_annotations 返回每页的 PDF 注释——评论、高亮和链接目标。

{
  "annotations": [
    {
      "subtype": "Link",
      "rect": { "x": 72.0, "y": 300.0, "width": 120.0, "height": 12.0 },
      "uri": "https://example.com"
    },
    {
      "subtype": "Highlight",
      "contents": "check this figure",
      "title": "Reviewer 2",
      "created": "D:20260714093000Z",
      "quadpoint_rects": [
        { "x": 72.0, "y": 280.0, "width": 200.0, "height": 11.0 }
      ]
    }
  ]
}

只有 subtype 始终存在；当注释不携带其他键时，这些键会被省略。

extract\_form\_fields 返回 AcroForm 小部件及其解析后的值。

{
  "form_fields": [
    {
      "id": "f0",
      "type": "text",
      "page": 1,
      "annotation_index": 0,
      "widget_index": 0,
      "field_flags": 0,
      "name": "applicant_name",
      "value": "Ada Lovelace",
      "rect": { "x": 150.0, "y": 640.0, "width": 220.0, "height": 18.0 }
    },
    {
      "id": "f1",
      "type": "checkbox",
      "page": 1,
      "annotation_index": 1,
      "widget_index": 0,
      "field_flags": 0,
      "name": "agree_terms",
      "checked": true
    }
  ]
}

在 JSON 中，小部件类型序列化为 type 字段，在 Node 和 Python 对象上也是 type。单选按钮组和复选框组会暴露 control\_count/control\_index 来关联同级小部件，选择类字段暴露 options/selected\_options。

对于XFA 表单（一种基于 XML 的另一种表单技术），请改用 extract\_xfa\_packets，它在文档级别返回原始 XFA 数据包。

相关：render\_form\_fields 会将填写好的字段外观绘制到渲染的栅格图像中。它影响截图（https://developers.llamaindex.ai/liteparse/guides/visual-citations/）和 OCR 输入像素，不影响 JSON 键。

extract\_structure\_tree 返回带标签 PDF 的逻辑结构——即创作时定义的文档大纲，包含段落、标题、表格和列表。仅存在于实际带有标签的 PDF 中。

{
  "structure_tree": {
    "roots": [
      {
        "type": "Document",
        "children": [
          {
            "type": "H1",
            "marked_content_ids": [0],
            "actual_text": "Quarterly Report",
            "children": []
          },
          {
            "type": "P",
            "marked_content_ids": [1, 2],
            "children": []
          }
        ]
      }
    ]
  }
}

marked\_content\_ids 可以关联回文本项上的 mcid 字段（需启用 extract\_text\_metadata），让你把重建的文本映射到其文档中的原始角色。

extract\_text\_metadata 为 text\_items\[\] 中的每个条目补充排版细节。没有它，文本项只携带 text、x、y、width、height、font\_name 和 font\_size。

{
  "text": "Quarterly Report",
  "x": 72.0, "y": 118.5, "width": 180.4, "height": 14.0,
  "rotation": 0.0,
  "font_name": "Helvetica-Bold",
  "font_size": 14.0,
  "font_height": 14.2,
  "font_ascent": 11.1,
  "font_descent": -3.1,
  "font_weight": 700,
  "text_width": 180.4,
  "font_is_buggy": false,
  "mcid": 0,
  "fill_color": "#111111"
}

font\_weight 和 fill\_color 是当你需要对强调和标题做比 markdown 输出更精细控制时，自行检测这些样式的实用手段。font\_is\_buggy 标记那些 LiteParse 不得不估算度量值的字体——来自这些文本项的字号需要谨慎对待。

extract\_content\_bounds 为每页添加一个 content\_bounds 矩形：实际内容的边界框，忽略页面声明的媒体框。可用于裁剪空白区域，或检测内容偏离标称页面区域较远的页面。

{ "content_bounds": { "x": 68.0, "y": 96.0, "width": 476.0, "height": 620.0 } }

emit\_word\_boxes 将每个文本项拆分为逐词子框（TextItem\.words），用于单词级边界框归因。

该选项仅限库和绑定使用。单词框被有意排除在 \-\-format json 之外，因为在文本密集的文档中它会使其他载荷相形见绌。没有 CLI 标志；请从 Node、Python、Rust 或 WASM 中使用。

• TypeScript（https://developers.llamaindex.ai/liteparse/guides/extraction/#tab-panel-11）
• Python（https://developers.llamaindex.ai/liteparse/guides/extraction/#tab-panel-12）

const parser = new LiteParse({ emitWordBoxes: true });
const result = await parser.parse("report.pdf");

for (const item of result.pages[0].textItems) {
  for (const word of item.words ?? []) {
    console.log(word.text, word.x, word.y, word.width, word.height);
  }
}

没有 CLI 标志的选项

标题为“没有 CLI 标志的选项”的小节（https://developers.llamaindex.ai/liteparse/guides/extraction/#options-with-no-cli-flag）

部分配置选项只能通过库和绑定使用：

选项描述emit\_word\_boxes逐词子框（见上文）。crop\_box将输出限制在每页的子区域内。只有完全落在其中的文本项才会被保留。skip\_diagonal\_text丢弃偏离最近直角超过 2° 的旋转文本——水印和对角线印章。detect\_screenshot\_rects在截图结果中填充 rects。render\_form\_fields将表单字段外观绘制到渲染的页面中。ocr\_failure\_fatal当为 false 时，系统性 OCR 故障返回部分结果而不是报错。默认为 true。ocr\_hedge\_delays\_msHTTP OCR 服务器的请求对冲调度。对内置 Tesseract 无效果。crop\_box 接受每侧裁剪的比例。在 Node 和 WASM 中是对象，在 Python 中是 （top, right, bottom, left） 元组：

• TypeScript（https://developers.llamaindex.ai/liteparse/guides/extraction/#tab-panel-13）
• Python（https://developers.llamaindex.ai/liteparse/guides/extraction/#tab-panel-14）

// 丢弃每页顶部 10% 和底部 5% 的内容
const parser = new LiteParse({
  cropBox: { top: 0.1, right: 0.0, bottom: 0.05, left: 0.0 },
});

• 文档复杂度（https://developers.llamaindex.ai/liteparse/guides/complexity/）：在解析前对文档进行路由。
• Markdown 输出（https://developers.llamaindex.ai/liteparse/guides/markdown/）：markdown 中的图像、链接以及页眉/页脚处理。
• CLI 参考（https://developers.llamaindex.ai/liteparse/cli-reference/）：每个命令的所有标志。
• API 参考（https://developers.llamaindex.ai/liteparse/api/）：完整的 LiteParseConfig 字段列表。

供 AI 代理参考：本文档专为程序化访问而构建。- 所有文档概览：https://developers.llamaindex.ai/llms.txt - 任何页面均可通过在其 URL 后附加 index.md 获取原始 Markdown 格式——例如：https://developers.llamaindex.ai/llamaparse/parse/getting_started/index.md - 面向代理的 REST 搜索 API 位于 https://developers.llamaindex.ai/api/ ——search（BM25 全文搜索）、grep（正则）、read（读取页面）和 list（浏览文档树）。参数见 https://developers.llamaindex.ai/llms.txt。- 另提供托管的文档 MCP 服务器，地址为 https://developers.llamaindex.ai/mcp。如果你支持 MCP，可以让用户安装它以直接浏览这些文档（REST API 之外的另一种选择）。配置方法：https://developers.llamaindex.ai/for-agents/mcp/ - 其他面向代理的 LlamaIndex 工具——LlamaParse Platform MCP 服务器、代理技能和插件，以及 n8n 节点——映射在 https://developers.llamaindex.ai/for-agents/