references/liteparse-usage.md
2.0 KB查看排版效果| 1 | # Liteparse Usage |
| 2 | |
| 3 | > 来源: pdf-ocr-md v3.3.0 SKILL.md | 从主文件拆分，保持原内容不变 |
| 4 | |
| 5 | ## C：LiteParse — 文本层 PDF 快速解析（Rust） |
| 6 | |
| 7 | LlamaIndex 出品（8k⭐），Rust 核心，轻量零依赖。 |
| 8 | |
| 9 | ### 安装 |
| 10 | |
| 11 | ```bash |
| 12 | # 已安装: ~/.venvs/liteparse/ + ~/.local/bin/lit |
| 13 | pip install liteparse # Python |
| 14 | npm i @llamaindex/liteparse # Node.js |
| 15 | cargo install liteparse # Rust CLI |
| 16 | ``` |
| 17 | |
| 18 | ### 核心命令 |
| 19 | |
| 20 | ```bash |
| 21 | # 文本层PDF → 文本（推荐 --no-ocr，跳过不必要的OCR） |
| 22 | lit parse input.pdf --no-ocr -o output.txt |
| 23 | |
| 24 | # 扫描件PDF → 文本（内置Tesseract，中文用 --ocr-language chi_sim） |
| 25 | lit parse input.pdf --ocr-language chi_sim -o output.txt |
| 26 | |
| 27 | # 批量处理 |
| 28 | lit batch-parse ./input-dir ./output-dir |
| 29 | |
| 30 | # 生成截图（用于LLM视觉分析） |
| 31 | lit screenshot input.pdf -o ./screenshots --dpi 200 |
| 32 | ``` |
| 33 | |
| 34 | ### 关键特性 |
| 35 | |
| 36 | | 特性 | 说明 | |
| 37 | |------|------| |
| 38 | | 文本层提取 | PDFium，**0.9ms/页**，比 OpenDataLoader 快 300x | |
| 39 | | 多格式输入 | PDF / 图片（PNG/JPG） | |
| 40 | | OCR 引擎 | 内置 Tesseract；可接 HTTP OCR server（PaddleOCR/自定义） | |
| 41 | | 输出格式 | 纯文本 / JSON（含 bounding box） | |
| 42 | | 截图输出 | `lit screenshot` 生成整页 PNG（支持 --target-pages） | |
| 43 | | 语言绑定 | Python / Node.js / Rust CLI / WASM | |
| 44 | | 平台 | Linux / macOS / Windows | |
| 45 | | License | Apache 2.0 | |
| 46 | |
| 47 | ### 局限 |
| 48 | |
| 49 | | 局限 | 说明 | 替代方案 | |
| 50 | |------|------|---------| |
| 51 | | 中文 OCR 准确率差 | Tesseract chi_sim ~80% vs PaddleOCR ~97% | 退到 `pdf2md`（见 B 节） | |
| 52 | | Office 文档 | DOCX/XLSX/PPTX 需 LibreOffice 转换 | 暂不支持，需时再装 | |
| 53 | | 表格识别 | 无版面分析，纯坐标提取 | 退到 `pdf2md`（docling 版面分析） | |
| 54 | |
| 55 | ### 机器资源 |
| 56 | |
| 57 | - 内存：LiteParse 进程 ~50MB（含 Tesseract 模型） |
| 58 | - 磁盘：`~/.venvs/liteparse/` ~35MB + tessdata ~15MB |
| 59 | - 安装：`pip install liteparse` 一行即可 |
| 60 | |
| 61 | --- |
文件内容是平台检查时读出的文本，只供查看。平台不会运行包里的任何脚本或程序。
