LiteParse 开源本地PDF解析：轻量高效，为Agent量身打造的文档解析工具

把一份 PDF 丢给智能体去读，听起来只是个小需求。

但真正动手实现时，往往会在两处卡住：要么依赖云端解析服务，文档必须传出去；要么自己用 PyMuPDF、pdfplumber 和 OCR 搭一套流程，虽然跑得通，后续维护却相当琐碎。

LlamaIndex 团队最近开源了 LiteParse，它的定位正正好好落在中间地带。

Image

它并不是 LlamaParse 的本地替代品。

更准确地说，LiteParse 是一款本地优先、速度优先、尽量压低依赖负担的文档解析工具。它适合轻量级的 PDF 解析场景，也适合为智能体准备可读的文本、坐标信息和页面截图。

Image

不过对于复杂文档，暂时不要急着直接投入生产环境。

换句话说，这个项目维护非常活跃，但不同语言绑定的发布节奏并没有完全对齐。

它解决的并非“最强解析”，而是“本地够用”

LiteParse 的 README 表述得相当克制：这是一个独立运行的开源 PDF 解析工具，核心特点是快且轻。

Image

它没有把自己包装成万能的文档理解系统，也没有内置专属的大模型能力。解析过程默认完全在本地执行，核心通过 Rust 编写，底层借助 PDFium 完成 PDF 渲染与文字提取，再配合 Tesseract 或外部 OCR 服务来补充处理扫描件和图片中的文字。

输出形式也非常实用：既可以拿纯文本，也可以拿 JSON。JSON 中包含文本块和边界框，智能体如果需要知道某段文字在页面上大致的位置，就不必只凭一串纯文字去猜测。

LiteParse 还内建了截图能力。

这一点对智能体阅读文档来说很关键。许多 PDF 中的有效信息并不只存在于文字当中，它可能是一张流程图、一个表格截图、页眉中的编号，或者某一块排版上暗示的意义。LiteParse 可以生成页面的 PNG 图片，让智能体在“读文字”之外，还能看到页面本身。

能在哪些环境里使用

LiteParse 目前提供 Rust、Node.js/TypeScript、Python 以及浏览器端 WASM 绑定，统一的 CLI 名称叫作 lit。

安装方式也相当直接：

pip install liteparse  
npm i @llamaindex/liteparse  
cargo install liteparse

安装之后，最常用的操作就是解析 PDF：

lit parse document.pdf  
lit parse document.pdf --format json -o output.json  
lit parse document.pdf --target-pages "1-5,10,15-20"  
lit parse document.pdf --no-ocr

也支持批量处理：

lit batch-parse ./input-directory ./output-directory

如果只想为智能体准备页面截图，可以这样做：

lit screenshot document.pdf -o ./screenshots  
lit screenshot document.pdf --target-pages "1,3,5" --dpi 300 -o ./screenshots

默认参数中有几个细节值得留意：解析最多处理 1000 页，截图和渲染的默认值为 150 DPI，OCR 默认开启，语言默认采用 Tesseract 的 eng。如果需要中文 OCR，就要准备相应的语言数据或者接入外部 OCR 服务。

Image

README 里还给出了作为智能体技能使用的示例：

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

这正是它适合智能体场景的地方。它不只是一条在命令行中由人去敲的指令，而是从文档、CLI、技能到 JSON 输出，都在向着智能体的工具链靠近。

OCR 这部分做得相当开放

LiteParse 默认内建了 Tesseract，开箱即用。

但它并没有把 OCR 能力完全绑定在 Tesseract 上。你可以通过 --ocr-server-url 接入一个 HTTP OCR 服务，README 中已经给出了 EasyOCR、PaddleOCR 的封装方案，也给出了一个很简单的接口约定：POST /ocr，上传文件并携带语言参数，返回文本、边界框和置信度。

这对工程项目来说非常友好。

如果只是解析英文 PDF，内建的 Tesseract 足够省事；而如果你的文档包含中文、票据、屏幕截图或低清晰度的扫描件，就可以单独把 OCR 部分替换成自己更信任的服务。

此外，LiteParse 还支持先将 Office 文档和图片转换为 PDF 再解析。Office 文档依赖 LibreOffice，图片转 PDF 则依赖 ImageMagick。它能够处理的格式不少，比如 .docx、.pptx、.xlsx、.csv、.png、.tiff。

Image

Image

不过这里不要产生误解。

这套多格式支持，走的是“先转换，再解析 PDF”的路线。转换的质量、字体、版式和系统环境都会影响最终结果。如果要在生产环境中稳定处理各类 Office 文件，这一步一定要单独做好压力测试。

为什么不建议直接替换生产链路

有文章把 LiteParse 写成“开源平替 LlamaParse，本地文档解析神器”，这是不太负责任的。

LiteParse 的 README 自己并没有这样说。

它明确提醒：如果遇到密集表格、多栏版面、图表、手写文字、扫描 PDF 这类复杂文档，本地解析会遇到局限，而 LlamaParse 这类云端生产级解析器会更合适。

这并不是客套话。

PDF 解析真正困难的地方，从来都不只是把页面上的字抠出来，而是将版面关系还原成模型能够稳定理解的结构。跨页表格、双栏论文、嵌套图表、页脚注释、扫描件歪斜、低分辨率的图片，这些场景会让“有文字输出”与“能够支撑业务决策的结构化结果”之间产生很大距离。

再看看 Issues，也能看到 LiteParse 还处在快速打磨的阶段。其中有几个问题很能体现当前成熟度：

Image

  • • --target-pages 在面对超大页码范围时会预先展开成 Vec<u32>，例如报告中给出的 1-4294967295 这个例子，可能在打开文档之前就已经耗尽内存。
  • • batch-parse 在输入目录没有尾部斜杠时，有可能把输出路径拼接到文件系统根目录。
  • • compress_wide_spaces 在稀疏表格、表单、目录这类较宽的空白块中，可能把非 ASCII 文本处理成乱码。
  • • 包含小 logo 或嵌入图的页面，当前的 OCR 行为可能从选择性 OCR 变成整页 OCR，既影响速度，也可能影响最终的合并质量。

这些问题并不意味着项目不能用。

恰恰相反，维护者处理问题的速度相当快。近期合并的 PR 中，涉及 Python wheel 二进制记录修复、Windows/Intel Mac/Windows ARM release、OCR 合并、Tesseract 下载、Linux glibc 兼容、边界框修复以及 release tarball 等内容。

但维护活跃与生产成熟终究是两回事。

LiteParse 目前适合用来做内部工具、智能体文档读取、轻量级 PDF 批处理和本地隐私敏感场景的第一层解析。如果你手上已经有一条稳定运行的生产文档解析链路，尤其是还要处理合同、票据、报表、论文、监管材料这类复杂文档，那就不要直接替换。

更稳妥的思路是把它放在分流层。

简单 PDF、本地预览、智能体临时读取，走 LiteParse；复杂版式、扫描件、关键业务文档，继续走 LlamaParse 或者你现有的生产级解析器。等项目的问题曲线、版本稳定性和真实业务样本都经过一轮考验之后，再来谈替换也不晚。

现阶段适合谁来尝试

如果你有下面这些需求，LiteParse 特别值得马上拉下来尝试：

  • • 不希望把 PDF 传到云端，只希望在本地抽取文本。
  • • 想为智能体准备 JSON、文本和页面截图。
  • • 文档主要是普通 PDF，版式并不复杂，表格也不密集。
  • • 希望用 Python、Node.js 或 Rust 接入同一个解析核心。
  • • 想把 OCR 服务拆出去，换成 EasyOCR、PaddleOCR 或自己的接口。

但如果你的需求是“我要稳定解析各种合同、票据、扫描件、复杂表格，然后直接进入生产 RAG 或审批系统”，现阶段最好还是不要把 LiteParse 当作主力。

可以试用，但一定要带上测试集。

至少拿 50 到 100 份真实文档进行一轮对比：文本会不会丢行，表格顺序是否被打乱，中文会不会变成乱码，OCR 速度是否过慢，坐标信息是否可信，批量处理失败后会不会残留脏文件或路径错误。文档解析这件事情，demo 好看没用，坏样本才是决定它能否真正进入系统的关键。

总结

LiteParse 的价值在于，它让本地文档解析这件事变得更容易接入智能体。

一个 lit parse，一个 lit screenshot，再加上 JSON 中的边界框，对很多轻量场景来说已经足够好用了。

但它现在更像一把顺手的小刀，还不是一整条生产线。

项目维护活跃，Star 数量也很可观，但成熟度还没有达到“可以直接替换生产文档解析链路”的程度。它会是一个值得放入工具箱的选择，但不会因此把团队里所有 PDF 解析任务一夜之间全部迁移过去。

项目地址：https://github.com/run-llama/liteparse