LiteParse

其他 12.9k 892 Python 上架 2026-11-08 访问官网 ↗ 在 GitHub 打开

LiteParse 是一款独立的开源 PDF 解析工具，专注于快速轻量级解析。它提供高质量的空间文本解析，并带有边界框，无需专有的 LLM 功能或云依赖。所有操作都在你的本地计算机上运行。本地解析遇...

#PDF工具包

项目信息

所有者: run-llama
Star: 12.9k
Fork: 892
开源协议: —
主要语言: Python
发布时间: 2026-02-09
最近更新: 2026-10-27

项目更新

Node.js v2.17.02026-10-22
Liteparse node-v2.17.0 更新以解析修复为主：修复表单嵌套渲染、两级无框表头配对与换行行标签保留的问题；带线表格不会再被表中孤立的注释行截断；文本运行遇反向跳转时即便片段很短也会正确切分；Markdown 输出不再丢弃文本模式保留的内容。表格提取整体更稳，图形聚类速度提升。OCR 方面新增 Indra 服务器（ocr/indraocr）。node 命令行修复了批量解析输出重名冲突、不支持的扩展名提示及 --version 显示。另将 lopdf 升级至 0.42.0。
Python v2.17.02026-10-22
liteparse python-v2.17.0 发布，重心在解析与导出的多处修复。表格抽取方面：无边框的两级表头现在能正确配对，换行的行标签不再丢失；带横线的表格遇到中间的注释行也不会被提前截断。文本输出修复了 Markdown 导出会丢弃内容的问题，文本段落在遇到回跳时即便很短也会正确切分，避免内容粘连或丢失。表单嵌套的渲染效果有所改善，图形聚类速度也更快。另新增 Indra OCR 服务支持，并修复了 node 侧批量解析时输出文件名冲突、不支持的扩展名报错以及 --version 参数的问题。依赖库 lopdf 从 0.38.0 升级到 0.42.0。
WASM v2.17.02026-10-22
liteparse 这版以表格与文本抽取的修正为主：表单嵌套的渲染更准确，两级无边框表头能正确配对，折行的行标签不再丢失；带横线的表格遇到表中单独的注释行，也不会被误判为表格结束。文本流在回跳时会及时切分，片段再短也照切，markdown 输出与纯文本结果不再丢字。图形聚类提速，表格抽取整体更稳。OCR 新增 Indra 服务（ocr/indraocr）。命令行批量解析修复了输出文件名冲突、不支持的扩展名报错不清等问题，--version 现在也能正常响应。依赖库 lopdf 升级到 0.42.0。
Crates & CLI v2.17.02026-10-22
liteparse v2.17.0 更新：新增 Indra OCR 服务（ocr/indraocr）；修复表单嵌套渲染、两级无边框表头配对与换行行标签保留、短文本段回跳断行、规则表格被中间注释行截断等问题；Markdown 输出不再丢弃文本模式保留的内容；批量解析修复输出文件名冲突、不支持的扩展名及 --version 参数；表格提取更稳，图形聚类提速；lopdf 依赖升至 0.42.0。
Docker v2.16.02026-10-12
v2.16.0 已推送至 GHCR，可拉取两个镜像使用：基础镜像 ghcr.io/run-llama/liteparse-base:v2.16.0 和主镜像 ghcr.io/run-llama/liteparse:v2.16.0，本版更新仅此而已。
Python v2.16.02026-10-12
Liteparse v2.16.0 以修缮为主。PDF 解析这边：被矩形裁剪遮住的文本不再混进结果，被裁字形改按实际墨迹框判定，行尾连字符不再被拆散，表格的区块与单元格坐标统一裁到页面范围内，旋转文本重排也不再叠加偏移。文本输出会保留页边界，开启 extract_blocks 时能正确提取词框。列表识别新增短横线项目符号，乱码检测会算上带重音的拉丁元音，短小的中文/日文 OCR 词不会再被误判成图表标签。OCR 侧，有界工作线程会在请求完成后及时补充，WASM 版新增滚动调度的并发 OCR。另外 Node 与 Python 绑定现在会拒绝非法的输出格式，WASM 文档也修正了 OCR 默认值与配置说明。
WASM v2.16.02026-10-12
本轮更新以修复为主：PDF 裁剪区域内的隐藏文本、被裁字形的判定改按墨迹框计算、旋转文本的画布偏移累积、连字符断行与破折号列表标记识别等问题均已修好。输出方面，Node 端文本输出保留页边界，表格框与单元格框会被裁到页面内，开启 extractblocks 时也能正确提取词框；iscomplex 会在版面分析前先应用内容过滤，OCR 乱码检查纳入带重音拉丁元音，短 CJK 词不再误判为图表标签。OCR 调度同步改进：有界 worker 在请求完成后立即回补，WASM 端新增滚动式并发 OCR。Node 与 Python 绑定会拒绝非法输出格式，WASM 文档更正了 OCR 默认值与安装说明。
Crates & CLI v2.16.02026-10-12
liteparse 2.16.0 是一次以修正提取精度为主的版本。PDF 方面，被矩形裁剪遮住的原生文字不再混入结果，被裁剪的字形改按墨迹外框判断，行尾连字符的短横得以保留，表格块与单元格的坐标框也会裁到页面内；旋转文字重排不再累积画布偏移。文本层方面，开启 extract_blocks 时会正确输出词框，纯文本输出保留分页边界，短横线能识别为列表符号。OCR 部分修复了并发任务的补充调度，WASM 端新增滚动式并发 OCR 支持；短中文词不再误判为图表标签，乱码检测会统计带重音的拉丁元音。Node 与 Python 绑定会拒绝非法输出格式，内容过滤也提前到版面分析之前生效。WASM 文档同步更正了 OCR 默认值与配置步骤。
Node.js v2.15.12026-10-01
liteparse 推出 node-v2.15.1，修复了 is_garbled 的字体判断逻辑：此前它无法正确识别损坏字体，导致乱码检测结果不准。这次更新后，依赖该方法做文本质量过滤的场景（比如 PDF 解析后的脏数据筛查）会得到更可靠的判断。版本号对应 crates-v2.15.0 至 node-v2.15.1 之间的改动，除该项修复外无其他变更。
Python v2.15.12026-10-01
liteparse python-v2.15.1 更新说明这次 python-v2.15.1 是个小版本修复，主要处理字体损坏导致的乱码识别问题。此前 is_garbled 在检测文档是否乱码时，对损坏字体的处理不够完善，可能把正常文本误判为乱码，或反过来漏掉真正的乱码内容。修复后，该判断能更可靠地识别破损字体场景，直接提升文档解析与数据清洗环节的准确度，依赖乱码过滤功能的用户建议升级。其余功能与上一版本 crates-v2.15.0 保持一致，没有其他改动。