run-llama-liteparse

name: run-llama-liteparse description: "LiteParse — Fast, light, open-source document parser focused on spatial text parsing with bounding boxes. No LLM features, no cloud. Runs locally. Python, Rust, TypeScript, WASM." version: 1.0.0 author: Mastermind (autonomous discovery) date: 2026-06-02 category: herramientas

LiteParse

URL: https://github.com/run-llama/liteparse
Categoría: Herramientas / Document Parsing
Estrellas: ~8.7k | Lenguaje: Rust (también Python, TypeScript, WASM)
Creado: 2026-02-09

¿Qué hace?

LiteParse es un parser de documentos rápido y ligero enfocado exclusivamente en análisis espacial de texto. A diferencia de otros parsers, NO usa LLMs ni dependencias cloud — todo corre localmente.

• Fast Text Parsing — Análisis espacial usando PDFium
• Flexible OCR System — Tesseract integrado + HTTP servers (EasyOCR, PaddleOCR, custom)
• Screenshot Generation — Genera screenshots de páginas para LLM agents
• Bounding Boxes — Información precisa de posición de texto
• Multi-language — Python, Rust, Node.js/TypeScript, WASM (browser)
• Multi-platform — Linux, macOS, Windows

Casos de uso

1. Preprocess documents for RAG — Parsear PDFs antes de embedding
2. Agent tooling — Generar screenshots de documentos para agentes IA
3. Local-only pipelines — Cuando no se puede usar LlamaParse (cloud)
4. Complemento a markitdown — MarkItDown es más general, LiteParse es más rápido y preciso con PDFs

Snippets útiles

# Install Python
pip install liteparse

# Install Rust
cargo add liteparse

# Install npm
npm install @llamaindex/liteparse

# Install WASM
npm install @llamaindex/liteparse-wasm

# Python — basic PDF parsing
from liteparse import parse_pdf

result = parse_pdf("document.pdf")

# Get text with bounding boxes
for page in result.pages:
    for text in page.text_blocks:
        print(f"Text: {text.content}")
        print(f"Box: {text.bbox}")  # x0, y0, x1, y1

# Generate screenshots for LLM agents
screenshots = result.generate_screenshots()

# Python — with OCR
from liteparse import parse_pdf, OCRConfig

result = parse_pdf(
    "scanned.pdf",
    ocr=OCRConfig(
        provider="tesseract",  # or "easyocr", "paddleocr", "http"
        languages=["es", "en"]
    )
)

Cómo integrarlo

1. Instalar en el proyecto Python/Rust/TS
2. Usar como step en pipeline de documentos → RAG
3. Configurar OCR si se necesitan documentos escaneados
4. Generar screenshots para agentes que necesitan ver el documento

Diferencias con MarkItdown

Notas

• Proyecto de LlamaIndex (los de LangChain pero de Llama)
• LiteParse V1 existe en branch logan/liteparse-v1
• Para documentos complejos (tablas densas, gráficos, manuscritos), recomendar LlamaParse (cloud)