| 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
pip install liteparse
npm install @run-llama/liteparse
Uso Básico
from liteparse import LiteParse
parser = LiteParse()
doc = parser.parse("<html>...")
structured = doc.to_dict()
with open("documento.pdf", "rb") as f:
doc = parser.parse(f.read(), format="pdf")
md = doc.to_markdown()
Patrones Clave
- HTML semántico: Convierte HTML plano a estructura con jerarquía clara
- Multi-formato: Soporta HTML, PDF, DOCX, texto plano
- Estructura jerárquica: Títulos, secciones, párrafos, listas, tablas
- LLM-ready: Output optimizado para embedding y retrieval
- 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
