liteparse-rust-pdf-ocr

# LiteParse — PDF Parsing Rápido en Rust Parser de PDF de alto rendimiento con OCR y extracción espacial. Repositorio: [run-llama/liteparse](https://github.com/run-llama/liteparse) (7.4k+ ⭐) ## Características Clave - **Rust core** — Máximo rendimiento y seguridad - **Spatial text extraction** — Bounding boxes precisos para cada texto - **OCR flexible** — Tesseract integrado o servidor HTTP externo - **Multi-format** — PDF, DOCX, XLSX, PPTX, imágenes (vía conversión) - **Multi-language bindings** — Node.js (napi-rs), Python (PyO3), WASM - **Local-first** — Cero dependencias cloud por defecto ## Arquitectura ``` Input (archivo o bytes) ↓ Conversion (LibreOffice/ImageMagick si no es PDF) ↓ PDF Loading (PDFium extrae texto, imágenes, metadata) ↓ OCR (solo en imágenes donde falló extracción) ↓ Grid Projection (reconstrucción layout con anchors) ↓ Output (JSON o texto plano) ``` ## Instalación ```bash # Node.js npm install liteparse # Python pip install liteparse # Rust cargo add liteparse ``` ## Uso Node.js ```typescript import { LiteParse } from 'liteparse'; const parser = new LiteParse(); const result = await parser.parseFile('documento.pdf'); console.log(result.pages[0].textItems); // [{ text: "Hello", bbox: {x, y, w, h}, ... }] ``` ## Uso Python ```python from liteparse import LiteParse parser = LiteParse() result = parser.parse_file("documento.pdf") for page in result.pages: for item in page.text_items: print(f"{item.text} @ {item.bbox}") ``` ## OCR Engine Trait ``` OcrEngine (trait) ├── Tesseract (built-in, default) └── HttpOcrServer (remoto, pluggable) Ejemplos incluidos: ├── easyocr/ — Wrapper EasyOCR └── paddleocr/ — Wrapper PaddleOCR ``` ## Spatial Grid Projection El componente más complejo y valioso: - **Anchor-based layout**: Detecta alineación (izq, der, centro, flotante) - **Forward anchors**: Mantiene info de alineación entre líneas - **Column detection**: Identifica layouts multi-columna - **Rotation handling**: Transforma texto rotado 90°/180°/270° - **OCR merging**: Combina texto nativo con OCR, preservando confidence ## Configuración Default-first: solo sobreescribir lo necesario. ```typescript const parser = new LiteParse({ ocr: true, // Habilitar OCR ocrLanguage: 'spa+eng', // Idiomas outputFormat: 'json', // json | text // ... más opciones }); ``` ## Casos de Uso 1. **Document pipelines** — Ingestión masiva de PDFs con preservación de layout 2. **RAG systems** — Extracción de documentos con contexto espacial 3. **OCR pipelines** — OCR selectivo solo donde es necesario 4. **Multi-format** — Unificar múltiples formatos a estructura consistente ## Data Flow Detallado ``` 1. Input: File path o raw bytes (cualquier formato soportado) 2. Conversion: No-PDF → PDF vía LibreOffice/ImageMagick 3. PDF Loading: PDFium extrae text items, imágenes, metadata 4. OCR: Páginas renderizadas y OCR'd solo donde texto falló 5. Grid Projection: Reconstrucción layout con anchor system 6. Post-processing: Bounding boxes, limpieza texto 7. Output: JSON o texto plano formateado ``` ## Decision Guide | Criterio | markitdown | liteparse | |----------|-----------|-----------| | Formatos | 15+ (PDF, DOCX, PPTX, XLSX, images, audio, HTML, ZIP, YouTube, EPUB...) | Solo PDF | | Velocidad | Moderada (Python) | Muy rápida (Rust/PDFium) | | Bounding boxes | No | Sí | | OCR | Básico | Flexible (Tesseract, EasyOCR, PaddleOCR, custom) | | Screenshots para agentes | No | Sí | ## Data Flow Detallado