LiteParse：零云依赖的 PDF 文档解析开源工具

2026 年 5 月，LlamaIndex 宣布用 Rust 彻底重写 LiteParse 并发布 2.0 版本——小文档解析速度提升 100 倍 ，大文档也有近 3 倍 提速。

一个月后，这个仓库来到 10775 stars / 708 forks / Apache-2.0，活跃度仍在持续攀升（6 月 23 日还在更新）。

一、它是什么

LiteParse 是一个 开源文档解析工具 ，专注一件事： 把 PDF（以及其他格式）拆成机器可读的结构化内容，全程本地运行，不依赖任何 LLM、不上传任何文件到云端。

这个定位直接跟它同门师兄 LlamaParse 划清了界限：

一句话：如果你的 Agent 只需要 ” 扫一眼 ” 文档，用 LiteParse；如果需要啃复杂表格、多栏布局、扫描件，LlamaParse 更强。两者互补。

二、为什么是 Rust 重写这件事

LiteParse 2.0 最关键的改动：把核心解析器从 Node.js 彻底重写为 Rust。

Rust 在文件级 I/O 密集任务上的优势天然适合文档解析：

• 零拷贝内存管理：PDF 二进制数据直接在 Rust 层处理，不需要跨 JS/Node 的边界拷贝
• PDFium C 库直接 FFI：Rust 对 C 库的绑定比 Node.js 原生 addon 更稳定
• 并发 OCR workers：--num-workers 控制并行 OCR，Rust 的线程模型比 Node.js worker 更轻量
• 编译为 WASM：wasm-bindgen 直接导出浏览器可用版本

实测效果：小文档解析速度提升 100 倍，大文档 3 倍。对需要批量解析大量 PDF 的 RAG 管道来说，这个差距直接决定了 ” 能不能跑 ”。

三、核心能力

① 格式支持

多格式依赖 LibreOffice 和 ImageMagick 做前置转换，转换后进入 Rust 核心解析管道。

② 三层 OCR 体系

OCR API 标准极简：POST /ocr 接受 file + language，返回 {results: [{ text, bbox, confidence}] }。

③ 三种输出格式

Markdown 模式纯 heuristics + rule-based，速度快但对超复杂排版效果有限——这正是 README 反复指向 LlamaParse 的场景。

④ 截图生成

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

对 LLM Agent 尤其重要——纯文本提取不到的视觉信息（图表、布局、颜色），截图补上。

⑤ Agent Skill

一条命令装成 Agent 可调用能力：

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

装完后 Agent 直接用 lit parse 解析文件，把解析结果喂回上下文——RAG 管道的文档加载环节从此自动化。

四、安装与快速开始

四语言绑定

CLI 一行解析

# 基础解析
lit parse document.pdf

# 输出 Markdown（直接喂 LLM）lit parse document.pdf --format markdown -o output.md

# 只解析第 1-5 页
lit parse document.pdf --target-pages "1-5"

# 禁用 OCR（纯文本提取，最快）lit parse document.pdf --no-ocr

# 批量解析整个目录
lit batch-parse ./input ./output

# 生成页面截图
lit screenshot document.pdf -o ./screenshots --dpi 300

五、技术架构

PDF / DOCX / XLSX / PPTX / IMG
         ↓
  ┌─────────────────────────────┐
  │    Rust Core (crates/)      │
  │  ┌───────────────────────┐  │
  │  │ PDFium（文本提取）│  │
  │  │ Tesseract / OCR HTTP  │  │
  │  │ Grid Projection（布局）│  │
  │  └───────────────────────┘  │
  └─────────────────────────────┘
         ↓
  JSON / Text / Markdown / Screenshot
         ↓
  ┌─────────────────────────────┐
  │    Language Bindings        │
  │  Node.js · Python · WASM    │
  │  CLI (cargo / npm / pip)    │
  └─────────────────────────────┘

核心 crate 结构：

• liteparse/：核心库 + CLI binary
• liteparse-napi/：Node.js 绑定（napi-rs）
• liteparse-python/：Python 绑定（PyO3）
• liteparse-wasm/：浏览器 WASM 绑定
• pdfium/ + pdfium-sys/：PDFium Rust wrapper + FFI

六、与其他文档解析工具的对比

LiteParse 的差异化：在 ” 纯本地 ” 赛道里，它同时做到了 OCR + 布局感知 + 截图 + Markdown + 四语言绑定——单个工具覆盖的场景比同类组合更广。

七、优势与风险

✅ 优势

1. 10775 stars——RAG / Agent 领域最热门的文档解析工具之一
2. 纯本地零云依赖——文件完全不出你的机器，合规场景首选
3. Rust 重写——2.0 版本小文档 100 倍提速，大文档 3 倍，benchmark 有数据
4. 四语言绑定 + CLI 统一——Rust / Node / Python / WASM，同一套 CLI 命令
5. 三层 OCR 可插拔——内置 Tesseract 开箱即用，HTTP 服务可换 EasyOCR/PaddleOCR
6. Markdown 输出直接喂 LLM——与 RAG 管道和 Agent Skill 的集成路径最短
7. Apache-2.0——商用友好，无 copyleft 风险
8. 完整中文文档——README 有中文版，降低国内用户上手门槛
9. LlamaIndex 生态背书——同团队有 LlamaParse 做云端兜底，本地 / 云端组合拳

⚠️ 风险和局限

1. Markdown 重建是 heuristic 的：复杂多栏、密集表格效果不如 LlamaParse，README 本身也不回避这点
2. 依赖 LibreOffice + ImageMagick：多格式转换需要外部工具，Docker / CI 环境配置成本略高
3. Tesseract 中文效果一般：中文 OCR 场景更推荐 PaddleOCR（HTTP 模式）
4. OCR 默认开：纯文本 PDF 也会触发 OCR，--no-ocr 需要手动关
5. WASM 版本功能有限：浏览器版是子集，全功能仍需 Node/Python/Rust
6. 大仓库活跃但维护者集中：708 forks 但 22 open issues，社区贡献面有待观察

八、总结

LiteParse 解决了一个明确且高频的问题：在本地把 PDF 变成 LLM 能吃的格式，而且要快、要准、要能跑在 Agent 的上下文里。

LlamaIndex 团队把它定位为 ”LlamaParse 的本地轻量替代品 ” 是准确的，但实际使用场景比这个定位更宽——RAG 管道的文档加载、Agent 实时解析 PDF、批量文档提取……这些场景 LiteParse 都是当前市场里 ” 纯本地 + 速度快 + 多格式 + 多语言 ” 的最优选择。

对于技术人来说，Rust 重写这件事本身就值得关注——这是 2026 年 AI infra 工具 ” 从 JS/Node 迁移到 Rust” 趋势的一个典型样本，PDF 解析、向量检索、模型推理……几乎所有 I/O 密集的 AI 工具链环节都在经历同样的重构。

一句话：如果你需要一个 ” 本地跑、毫秒级、能把 PDF 喂给 LLM 的解析器 ”，LiteParse 现在是 2026 年最值得试的那个。

本文基于 run-llama/liteparse GitHub README（含中文版）、CSDN 技术分析文章和 npm/crates.io 数据整理。