liteparse
Parseo inteligente de páginas web y documentos para pipelines LLM con estructura semántica — extracción de contenido estructurado.
Quellinformationen
- Repository
- Ntizar/NtizarBrainMasterMind
- Letzte Quellaktivität
- 16. Juli 2026 um 08:02
- Erkannte Sprache von SKILL.md
- Spanisch
- Sterne
- 2
- Forks
- 0
Installationsoptionen
Standardmäßig ist der Prompt ausgewählt, der zuerst die Quelle prüft. Sie können zu einem direkten Befehl wechseln oder eine lokale Kopie herunterladen.
Quelldateien prüfen
Lesen Sie SKILL.md und alle von SkillsMP angezeigten Begleitdateien, bevor Sie sich für eine Installation entscheiden.
SKILL.md wird angezeigt
SKILL.md
Quellanweisungen · Schreibgeschützte Vorschau- 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)
Auf GitHub ansehen