PDF识别提取专家

Liteparse Usage#

来源: pdf-ocr-md v3.3.0 SKILL.md | 从主文件拆分，保持原内容不变

C：LiteParse — 文本层 PDF 快速解析（Rust）#

LlamaIndex 出品（8k⭐），Rust 核心，轻量零依赖。

安装#

# 已安装: ~/.venvs/liteparse/ + ~/.local/bin/lit

pip install liteparse              # Python

npm i @llamaindex/liteparse        # Node.js

cargo install liteparse            # Rust CLI

核心命令#

# 文本层PDF → 文本（推荐 --no-ocr，跳过不必要的OCR）

lit parse input.pdf --no-ocr -o output.txt



# 扫描件PDF → 文本（内置Tesseract，中文用 --ocr-language chi_sim）

lit parse input.pdf --ocr-language chi_sim -o output.txt



# 批量处理

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



# 生成截图（用于LLM视觉分析）

lit screenshot input.pdf -o ./screenshots --dpi 200

关键特性#

特性	说明
文本层提取	PDFium，0.9ms/页，比 OpenDataLoader 快 300x
多格式输入	PDF / 图片（PNG/JPG）
OCR 引擎	内置 Tesseract；可接 HTTP OCR server（PaddleOCR/自定义）
输出格式	纯文本 / JSON（含 bounding box）
截图输出	lit screenshot 生成整页 PNG（支持 --target-pages）
语言绑定	Python / Node.js / Rust CLI / WASM
平台	Linux / macOS / Windows
License	Apache 2.0

局限#

局限	说明	替代方案
中文 OCR 准确率差	Tesseract chi_sim ~80% vs PaddleOCR ~97%	退到 pdf2md（见 B 节）
Office 文档	DOCX/XLSX/PPTX 需 LibreOffice 转换	暂不支持，需时再装
表格识别	无版面分析，纯坐标提取	退到 pdf2md（docling 版面分析）

机器资源#

• 内存：LiteParse 进程 ~50MB（含 Tesseract 模型）
• 磁盘：~/.venvs/liteparse/ ~35MB + tessdata ~15MB
• 安装：pip install liteparse 一行即可

---