LiteParse — 本地文档解析与边界框文本提取

技能概述

LiteParse 是一个快速、开源的本地文档解析工具，专注于布局感知的文本提取和边界框坐标支持。它完全在本地运行，无需依赖云端 API，支持 PDF、Office 文件、图像等多种格式，并提供 OCR 识别能力，特别适合需要文本空间信息的 RAG 应用和文档处理任务。

适用场景

1. 布局感知的 RAG 系统

当你的检索增强生成（RAG）系统需要准确的文本位置信息时，LiteParse 能提供每个文本块的精确边界框坐标。这些空间信息可以帮助 AI 理解文档结构、定位图表区域、实现精准引用，大幅提升回答的准确性。

2. 本地批量文档处理

对于需要处理大量文献库、协议文档或档案文件夹的场景，LiteParse 提供高效的批量解析能力。它支持递归目录遍历、并行 OCR 处理，可以快速将大量 PDF、Word、Excel 等文件转换为结构化 JSON 或纯文本，且所有处理都在本地完成，确保数据隐私。

3. 扫描文档 OCR 识别

面对扫描版 PDF、照片或手写文档，LiteParse 内置 Tesseract OCR 引擎，无需额外安装即可进行文字识别。对于需要更高质量识别的场景，还支持接入第三方 OCR 服务器。同时可生成页面 PNG 截图，为多模态 AI 提供视觉上下文。

核心功能

1. 布局感知文本提取与边界框

LiteParse 不仅提取文本内容，还返回每个文本项的精确空间坐标（x, y, width, height）、字体信息和置信度分数。这种结构化输出让程序能够理解文档布局，识别标题、段落、表格等元素的位置关系，为后续的智能处理提供丰富上下文。

2. 多格式支持与本地 OCR

原生支持 PDF 解析，通过 LibreOffice 和 ImageMagick 可扩展支持 DOCX、XLSX、PPTX、PNG、JPG 等常见格式。内置 Tesseract OCR 引擎处理扫描文档，支持多语言识别，并可配置并行工作数量和 DPI 参数以平衡速度与准确度。

3. 灵活的解析控制

提供细粒度的解析选项：可指定解析特定页面范围、设置加密 PDF 密码、控制 OCR 开关、选择输出格式（文本或 JSON）。支持从文件路径、字节流或标准输入读取数据，适合各种集成场景。CLI 和 Python API 双支持，方便自动化脚本和工作流集成。

常见问题

LiteParse 和 LlamaParse 有什么区别？

LiteParse 是完全本地运行的解析工具，无需云端 API，适合注重隐私和本地处理的场景。它提供边界框坐标和布局信息，但不输出 Markdown 格式。LlamaParse 是云端服务，针对复杂表格和手写内容有更强识别能力，但需要网络连接和 API 密钥。如果你需要本地处理和文本坐标，选择 LiteParse；如果需要生产级云处理和 Markdown 输出，考虑 LlamaParse。

如何使用 LiteParse 提取 PDF 文本和边界框？

使用 Python API：from liteparse import LiteParse; parser = LiteParse(output_format="json"); result = parser.parse("document.pdf")，然后遍历 result.pages 获取每页的 text_items，每个 item 包含 text、x、y、width、height、font_name、font_size 等字段。使用 CLI：lit parse document.pdf --format json -o output.json 可直接生成结构化 JSON 文件。

LiteParse 支持哪些文档格式？

LiteParse 原生支持 PDF 格式。通过安装 LibreOffice（处理 Office 文件）和 ImageMagick（处理图像文件），可扩展支持 DOCX、XLSX、PPTX、DOC、ODT、CSV、PNG、JPG、TIFF、WebP、SVG 等常见格式。系统会自动将非 PDF 文件转换为 PDF 后进行解析。如果缺少相应的转换工具，会给出清晰的错误提示和安装建议。

怎么配置 LiteParse 的 OCR 功能？

OCR 默认开启，使用内置的 Tesseract 引擎。可通过 LiteParse(ocr_enabled=True, ocr_language="eng", num_workers=4, dpi=150) 配置语言、并行数量和分辨率。CLI 方式：lit parse scan.pdf --ocr-language fra --no-ocr。对于离线环境，可设置 TESSDATA_PREFIX 环境变量指向 .traineddata 文件目录。如需更高准确度，可配置 HTTP OCR 服务器地址。

LiteParse 可以批量解析文档吗？

可以。使用 CLI 的 lit batch-parse ./input_dir ./output_dir --format json --recursive --extension .pdf 命令，可递归处理整个目录树，并通过 --extension 过滤特定格式。Python 环境可使用 scripts/batch_parse_dir.py 脚本实现无网络调用的批量处理。批量解析支持并行 OCR，适合大规模文献库归档和数据准备任务。

如何解析加密的 PDF 文件？

通过 password 参数提供密码。Python 方式：parser = LiteParse(password="secret"); result = parser.parse("protected.pdf")。CLI 方式：lit parse protected.pdf --password secret。LiteParse 会在解析前用提供的密码解密文档，适用于有密码保护的学术文献、合同协议等场景。

LiteParse 需要网络连接吗？

不需要。LiteParse 完全在本地运行，核心解析引擎和 OCR 功能都无需网络。这使得它适合离线环境、内网部署或对数据隐私敏感的场景。只有在选择使用外部 HTTP OCR 服务时才需要网络连接，但这是可选配置。

如何用 LiteParse 生成 PDF 页面截图？

使用 parser.screenshot("document.pdf", page_numbers=[1,2,3], dpi=150) 方法，返回包含页面截图字节流的对象列表。CLI 方式：lit screenshot document.pdf --target-pages "1,3,5" --dpi 300 -o ./screenshots。截图功能为多模态 AI 提供视觉上下文，特别适合包含图表、复杂表格或手写标注的文档页面。