LiteParse — Análise Local de Documentos

Visão Geral

LiteParse é um analisador de documentos de código aberto (núcleo em Rust, bindings em Python/Node) para extração de texto local e ciente de layout. Ele produz texto de layout, JSON estruturado ou Markdown heurístico. Itens de texto espaciais podem abranger várias palavras; o Python emit_word_boxes=True adiciona caixas de palavras quando necessário.

Versão verificada: Python liteparse 2.15.0 (29 de setembro de 2026); CLI e exemplos locais sintéticos de PDF/imagem testados no Python 3.13. Exemplos de Node/Rust abaixo são verificados no código-fonte e ilustrativos. Imagens são convertidas através de bibliotecas Rust empacotadas, não ImageMagick. Nenhuma conta na nuvem é necessária, mas dados de idioma Tesseract ausentes podem ser baixados do GitHub e um serviço OCR HTTP explicitamente configurado recebe imagens de documentos.

Para seleção de analisador versus MarkItDown, bibliotecas de manipulação de PDF ou LlamaParse, veja references/choosing_a_parser.md.

Quando Usar Esta Habilidade

Use LiteParse quando precisar de:

• Análise local rápida de PDFs ou arquivos Office/imagem convertidos sem dependências na nuvem
• Texto espacial com caixas delimitadoras para RAG ciente de layout, ancoragem de citações ou lógica de região de figura/tabela
• OCR em PDFs digitalizados ou imagens (Tesseract empacotado, ou um servidor OCR HTTP executado pelo usuário)
• Capturas de tela de página (PNG) para agentes multimodais que precisam ver gráficos, figuras ou caligrafia
• Ingestão em lote de pastas de literatura, PDFs suplementares ou bibliotecas de protocolos
• Subconjuntos de páginas ou PDFs protegidos por senha

Quando Não Usar

Instalação

uv pip install "liteparse==2.15.0"

Isso instala os bindings Python e a CLI lit. Verifique:

lit --help
python -c "import liteparse; print(liteparse.__version__)"

Ferramenta de sistema opcional (para entradas Office):

• LibreOffice — Word, Excel, PowerPoint, OpenDocument, CSV/TSV

PNG, JPEG, TIFF, WebP, SVG e outras imagens suportadas são convertidas nativamente.

Os comandos de instalação estão em references/ocr_and_formats.md.

Node.js / TypeScript (opcional): npm i @llamaindex/liteparse@2.15.0 — veja references/api_reference.md.

Início Rápido

Python

from liteparse import LiteParse

parser = LiteParse(quiet=True)
result = parser.parse("paper.pdf")
print(result.text)

for page in result.pages:
    print(f"Page {page.page_num}: {len(page.text_items)} items")

CLI

# Layout-preserved text (default)
lit parse paper.pdf

# Structured JSON with bounding boxes
lit parse paper.pdf --format json -o paper.json

# Heuristic Markdown, including headings, tables and links
lit parse paper.pdf --format markdown -o paper.md

# Disable OCR on text-native PDFs (faster)
lit parse paper.pdf --no-ocr

Fluxos de Trabalho Principais

1. Analisar para texto com preservação de layout

Melhor para texto rápido de documento completo ou para alimentar chunkers que não precisam de coordenadas.

parser = LiteParse(ocr_enabled=True, quiet=True)
result = parser.parse("document.pdf")
full_text = result.text

lit parse document.pdf -o output.txt

2. Analisar para JSON estruturado (caixas delimitadoras)

Use ao construir RAG ciente de layout, destacar regiões de origem ou unir texto com capturas de tela.

from liteparse import LiteParse

parser = LiteParse(output_format="json", quiet=True)
result = parser.parse("document.pdf")

# Programmatic access
for page in result.pages:
    for item in page.text_items:
        bbox = (item.x, item.y, item.width, item.height)
        # item.text, item.confidence, item.font_name, item.font_size

lit parse document.pdf --format json -o document.json

Layout do campo JSON: references/output_formats.md.

3. Analisar páginas específicas

parser = LiteParse(target_pages="1-5,10,15-20", quiet=True)
result = parser.parse("long_paper.pdf")

lit parse long_paper.pdf --target-pages "1-5,10"

4. Analisar a partir de bytes ou stdin

Útil para uploads, downloads S3 ou para canalizar PDFs remotos.

with open("document.pdf", "rb") as f:
    result = parser.parse(f.read())

curl -sL https://example.com/report.pdf | lit parse -

5. Capturas de tela de página para agentes multimodais

…