LiteParse: bộ phân tích PDF nhanh chạy cục bộ

LiteParse là gì

LiteParse là thư viện Rust phân tích PDF, trích xuất text theo không gian với bounding box, chuyển sang Markdown, và tích hợp Tesseract OCR sẵn có — không cần cloud hay API key. Phù hợp với developer cần parse PDF nhanh, có cấu trúc, tích hợp trực tiếp vào pipeline của mình thay vì dùng dịch vụ managed.

Tính năng chính

• ✓Trích xuất text nhanh qua PDFium (khoảng 2-5ms mỗi trang)
• ✓Tesseract đóng gói sẵn — không cần cài đặt; cũng chấp nhận OCR server bất kỳ qua HTTP API spec
• ✓Xuất Markdown, JSON, plain text kèm tọa độ bounding box chính xác cho từng mục text
• ✓Phân loại khối layout (heading, đoạn văn, bảng, danh sách, code, hình) kèm bounding box theo khối
• ✓Phát hiện độ phức tạp — kiểm tra nhanh tài liệu có cần OCR không trước khi parse toàn bộ
• ✓Sinh ảnh chụp từng trang — tiện cho workflow agent cần 'nhìn' tài liệu
• ✓Worker pool trong Python và Node.js — tác vụ bị treo có thể kill theo tên, tránh pipeline bị nghẽn
• ✓Đa ngôn ngữ: Rust, Python (PyO3), Node.js/TypeScript (napi-rs), và browser WASM

Cài đặt

Python: pip install liteparse | Node.js: npm i -g @llamaindex/liteparse | Rust: cargo install liteparse (CLI) hoặc cargo add liteparse (thư viện) | Browser: npm i @llamaindex/liteparse-wasm

Dùng LiteParse từ CLI

CLI `lit parse` phân tích PDF và xuất text có cấu trúc: bash # Parse cơ bản — xuất ra stdout lit parse document.pdf # Xuất Markdown với tái tạo layout lit parse document.pdf --format markdown -o output.md # Trang cụ thể lit parse document.pdf --target-pages "1-5,10,15-20" # JSON với bounding box và layout block lit parse document.pdf --format json --extract-blocks -o output.json # Tắt OCR đi lit parse document.pdf --no-ocr Từ Python: python from liteparse import parse result = parse("document.pdf", extract_blocks=True) Từ Node.js: javascript import { parse } from "@llamaindex/liteparse"; const result = await parse("document.pdf", { extractBlocks: true });

So sánh với các lựa chọn khác

Câu hỏi thường gặp

Vấn đề nó giải quyết

Công cụ phân tích PDF cục bộ hiện tại hoặc trả về text thuần, hoặc phải dùng thêm LLM — không biết tài liệu có cần OCR không cho đến khi parse hết. Các tác vụ sau parse như citation matching thì cần tọa độ bounding box mà hầu hết công cụ local không hỗ trợ hoặc yêu cầu cài đặt phức tạp.

Trường hợp dùng phù hợp

• •Trích xuất text có cấu trúc với bounding box từ PDF gốc cho citation matching hoặc pipeline redacted
• •Chuyển PDF sạch sang Markdown cho RAG mà không cần gọi API cloud
• •Thêm OCR vào pipeline tài liệu qua Tesseract tích hợp sẵn, hoặc cắm PaddleOCR qua HTTP
• •Xử lý hàng loạt PDF nhanh trong service Node.js hoặc Python khi không muốn phụ thuộc cloud
• •Sinh ảnh trang cho LLM agent cần 'thấy' tài liệu bên cạnh text
• •Lọc tài liệu bằng complexity detection để quyết định có route sang parser nặng hơn hay reject sớm

Ai nên thử — và ai nên bỏ qua

Dùng LiteParse khi xử lý PDF sạch đến trung bình, cần tốc độ, bounding box, hoặc pipeline OCR mà không phụ thuộc cloud. Tesseract đóng gói làm nó đặc biệt hữu ích cho team muốn OCR mà không cần infrastructure. Còn nếu tài liệu nặng bảng dày, chart, layout phức tạp, phương trình khoa học — hoặc độ chính xác trên edge case quan trọng hơn xử lý local — dùng LlamaParse và trả tiền cho cloud. LiteParse không cố thắng về chất lượng trên tài liệu khó nhất; nó cố thắng về tốc độ và sự đơn giản trên trường hợp phổ biến.

Repo liên quan