liteparse
Parseo inteligente de páginas web y documentos para pipelines LLM con estructura semántica — extracción de contenido estructurado.
معلومات المصدر
- المستودع
- Ntizar/NtizarBrainMasterMind
- آخر نشاط في المصدر
- ١٦ يوليو ٢٠٢٦ في ٠٨:٠٢
- لغة SKILL.md المكتشفة
- الإسبانية
- النجوم
- ٢
- التفرعات
- ٠
خيارات التثبيت
يُحدَّد Prompt الذي يراجع المصدر أولًا بشكل افتراضي. يمكنك التبديل إلى أمر مباشر أو تنزيل نسخة محلية.
مراجعة ملفات المصدر
اقرأ SKILL.md وأي ملفات مرافقة يعرضها SkillsMP قبل أن تقرر التثبيت.
عرض SKILL.md
SKILL.md
تعليمات المصدر · معاينة للقراءة فقط- name
- liteparse
- description
- Parseo inteligente de páginas web y documentos para pipelines LLM con estructura semántica — extracción de contenido estructurado.
- version
- 1.0.0
- tags
- ["parsing","LLM","web","document","structure","extraction"]
# LiteParse — Parseo Inteligente para LLMs
## Resumen
Herramienta de parseo inteligente de páginas web y documentos para pipelines LLM con estructura semántica. 10k⭐.
## Repo de referencia
- **GitHub:** `github.com/run-llama/liteparse`
- **Lenguaje:** Python/JavaScript
- **Licencia:** Apache 2.0
## Instalación
```bash
pip install liteparse
# o
npm install @run-llama/liteparse
```
## Uso Básico
```python
from liteparse import LiteParse
parser = LiteParse()
# Parsear HTML → estructura semántica
doc = parser.parse("<html>...")
structured = doc.to_dict() # Extrae títulos, párrafos, listas, tablas
# Parsear documento
with open("documento.pdf", "rb") as f:
doc = parser.parse(f.read(), format="pdf")
md = doc.to_markdown()
```
## Patrones Clave
1. **HTML semántico:** Convierte HTML plano a estructura con jerarquía clara
2. **Multi-formato:** Soporta HTML, PDF, DOCX, texto plano
3. **Estructura jerárquica:** Títulos, secciones, párrafos, listas, tablas
4. **LLM-ready:** Output optimizado para embedding y retrieval
5. **Ligero:** Sin dependencias pesadas, rápido
## Integración con Mastermind
- Complementa `marker-pdf-conversion` (parseo semántico vs conversión a MD)
- Ideal para pipelines de ingestión de documentos
- Útil para `llm-friendly-web-crawler` preprocessing
- Rápido y ligero para batch processing
## Pitfalls
- **HTML mal formado:** Puede perder estructura con HTML muy sucio
- **Tablas complejas:** Solo parsea tablas simples
- **JavaScript:** No ejecuta JS, solo parsea HTML estático
- **Idioma:** Optimizado para inglés, puede perder matices en español
## Referencias
- [GitHub: run-llama/liteparse](https://github.com/run-llama/liteparse)
عرض على GitHub