liteparse
Parseo inteligente de páginas web y documentos para pipelines LLM con estructura semántica — extracción de contenido estructurado.
来源信息
- 仓库
- Ntizar/NtizarBrainMasterMind
- 最近来源活动
- 2026年7月16日 08:02
- 检测到的 SKILL.md 语言
- 西班牙语
- 星标
- 2
- 分支
- 0
安装方式
默认使用会先检查来源的 Prompt；你也可以切换为直接命令，或下载本地副本。
检查来源文件
决定是否安装前，请先阅读 SKILL.md，以及 SkillsMP 当前展示的配套文件。
正在显示 SKILL.md
SKILL.md
来源说明 · 只读预览- 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)
在 GitHub 查看