开源的本地文档解析神器,实测,快如闪电,400 页 PDF 仅需 1 秒
LlamaIndex 搞了个开源文档解析工具叫 LiteParse,Rust 写的,主打一个本地、轻量、飞快
拿 400 多页PDF试了一下,离谱的是,它仅需1秒钟
但我完整看过,感觉这也是它的唯一优点了,适用范围十分有限
我能想到的一个场景是:文字识别部分交给它,只让强大模型解决表格、图片等等,这样速度快、准确率、低成本可以兼得
简介
LiteParse 是 LlamaIndex 团队出品的开源 PDF 解析库,定位是纯本地、无云依赖、无 LLM、无 API Key 的文档解析方案。核心用 Rust 写,通过 PDFium 做文本提取,内置 Tesseract OCR,解析速度快得离谱
LlamaParse 是 LlamaIndex 的云端文档解析服务,适合处理复杂表格、多栏排版、手写体这种硬骨头。 LiteParse 是轻量本地版,适合快速批量处理、离线环境、隐私敏感场景。两者互补,不冲突
下面这张图展示了 LiteParse 的完整工作流程:
核心特性:
Rust 性能底座:核心逻辑全部 Rust 实现,解析一个 3 页 PDF 不到 1 秒 多语言绑定:Node.js、Python、Rust、浏览器 WASM 四种用法任选,CLI 命令完全一致 灵活 OCR 系统:内置 Tesseract 零配置可用,还支持 HTTP OCR Server(EasyOCR、PaddleOCR 随便接) 多格式输入:PDF、DOCX、XLSX、PPTX、各种图片格式,Office 文档走 LibreOffice 自动转换 Bounding Box:每个文本块都带精确坐标,做后续 AI 流水线直接拿去用 Agent Skill 支持:一行命令装到编码 Agent 里,Claude Code、Cursor、Qoder 都能直接调用
安装
三行命令选一个,全部装完都有统一的 lit CLI:
# Node.js(推荐,我实测走的这条)
npm i -g @llamaindex/liteparse
# Python
pip install liteparse
# Rust
cargo install liteparse
实测安装后验证:
$ lit --version
2.0.0
小插曲:npm registry 显示包版本是 2.0.4,但装出来 lit --version 显示 2.0.0,可能是版本号没同步到 binary 里,不影响使用
实测
我拿了一份真实的 MiniMax IPO 辅导备案报告(3 页中文 PDF)来测试
文本解析(关闭 OCR):
$ 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
不到 1 秒搞定 3 页,抽取出了 113 行文本、5120 字节。正文标题、表格内容、公司基本情况全都有:
关于 MiniMax Group…