LiteParse 本地文档解析
将以下提示词粘贴到你的 AI 对话框中:
请根据 https://skillhub.cn/install/skillhub.md,安装 @org-eyw2ohcx/sammcj-agentic-coding-liteparse。
技能介绍
背景:Agent 要读文件,但不想先上云
自动化脚本和 Agent 经常需要从 PDF、Word、PPT、表格或扫描件 里抽出正文、结构或版面信息。若每一步都依赖云端 API 或大模型做 OCR,会带来延迟、合规压力和额外成本;有些环境甚至不允许外发文件。
LiteParse 技能围绕 npm 包 @llamaindex/liteparse 的 CLI(lit),指导助手生成可本地执行的解析命令或脚本,在 本机 完成转换与抽取,默认内置 Tesseract.js,一般场景下不必自搭 OCR 服务。
核心能力与用法要点
技能按步骤组织工作流:先用 npx -y @llamaindex/liteparse 或全局安装的 lit,再针对 单文件、目录批量 或 逐页截图(便于需要「看见版面」的 Agent)产出对应命令。
输出侧可用 --format text(默认纯文本)或 --format json(含 bounding box 的结构化结果),并用 -o 写盘。性能与质量相关选项包括 --dpi(默认 150,高质量可用 300)、--max-pages / --target-pages(如 1-5,10)、--no-precise-bbox、--skip-diagonal-text、--preserve-small-text 等。
OCR 可切换语言(--ocr-language)、对接外部 HTTP OCR(--ocr-server-url,需实现 POST /ocr),或 --no-ocr 关闭。重复任务可维护 liteparse.config.json。
边界与依赖
Office 族格式(doc/docx/ppt/xlsx 等)依赖 LibreOffice 先转为 PDF;位图等图像依赖 ImageMagick。技能说明的是 LiteParse CLI 的选项与编排,不包含云端解析或大模型读图替代本地管线。对版面精度、多语言 OCR 或大批量吞吐,需结合 DPI、外部 OCR 与分页策略自行权衡。
使用场景
- 合规环境内把客户发来的 PDF 合同批量抽成纯文本供 RAG 索引
- 需要从旧版 .doc/.ppt 里提取章节正文,但不能把文件上传到第三方解析 API
- 为多模态 Agent 对指定页生成截图,同时用 JSON 输出保留文本与 bbox
- 长期跑批处理目录时,用 config 固定 DPI、OCR 语言与输出格式
适合人员
- 内网部署 Agent、必须把附件留在本机的平台工程师
- 维护知识库流水线、要把扫描件与 Office 混合格式统一入库的 ML 工程师
- 做文档 Agent 时需要 JSON+bbox 或分页截图、而不是整份丢给视觉模型的应用开发者
- 对扫描 PDF 有法语/中文等语言要求、考虑自建 EasyOCR/PaddleOCR 后端的运维