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 (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

# Node.js
npm install liteparse

# Python
pip install liteparse

# Rust
cargo add liteparse

Uso Node.js

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

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.

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

Data Flow Detallado