probar pick editorial #document-parser hallazgo 04 · boletín 2026-08-13

run-llama/liteparse

Apache-2.0, Rust core con bindings Python/Node.js/WASM, 12.080★, 828 forks, 6 meses. Parser PDF/DOCX/XLSX/PPTX/IMG sin dependencias cloud, con bounding boxes espaciales, OCR pluggable (Tesseract bundled, HTTP server para EasyOCR/PaddleOCR/custom), complexity detection (decide si necesita OCR o LLM) y output estructurado para pipelines RAG.

Estrellas

12.080

Forks

828

Lenguaje

Rust

Licencia

Apache-2.0

Issues

Estado

—

Cómo funciona

Implementa Document parser

Núcleo

run-llama/liteparse Rust · Apache-2.0 document-ocrdocument-processingocrocr-recognitionpdfpdf-parsertext-extraction

Se cruza con relevante para LlamaIndex

Diagrama derivado de madurez_senales (lenguaje, licencia, estado y topics) y de las relaciones que este repo tiene en el grafo de conocimiento. No es una arquitectura del proyecto: es su posición funcional tal como la registran los boletines.

Posición en el ecosistema

run-llama/liteparse

implementa

Document parser Concepto

run-llama/liteparse

relevante para

LlamaIndex Empresa

Expandir en el grafo 3D →

Relaciones que aportó este boletín

implementsdocument-parsernuevo competes_withVectifyAI/OpenKBnuevo relevant_tollamaindexnuevo

Por qué importa

La historia editorial: LlamaIndex separó lo que era el wrapper propietario LlamaParse (cloud) del motor OSS subyacente, y eso cambia las reglas del juego para quien monta pipelines de RAG. Detalle técnico que importa: el parser está escrito en Rust con bindings para Python, Node.js y WASM, trabaja sin dependencias cloud, devuelve bounding boxes espaciales y permite enchufar OCR externo (Tesseract viene bundled; EasyOCR/PaddleOCR/custom vía HTTP server). Tiene complexity detection que decide si un documento necesita OCR o LLM, lo que en la práctica es un router barato para no pagar el camino caro a todas las páginas. El propio README es honesto con el límite: para documentos densos (tablas complejas, multi-columna, gráficos, escritura a mano, PDFs escaneados) reconoce que LlamaParse sigue dando mejores resultados — el OSS cubre el 80% del 80%. Caveat: en el grafo no hay primera_mencion previa del concepto document-parser ni del competitor VectifyAI/OpenKB, así que este boletín los incorpora como referencia nueva.

Alerta

el binario Rust está en crates.io; instalable sin lock-in cloud

Liteparse se promociona como alternativa libre a LlamaParse pero el propio README redirige a LlamaParse cloud para documentos complejos: el OSS cubre el 80% del 80%, no es reemplazo 1:1.

Acción concreta

Liteparse es candidato a pieza del stack del agente local: conviene un Sunday-spike montando un pipeline RAG mínimo (PDF → Markdown → pgvector) y comparar contra lo que ya hay en PGLite.

Apariciones · 1

2026-08-13 hallazgo principal
primera vez en el boletín

Señales de madurez (texto original)

12.080★ · 828 forks · Rust · creado 2026-02-09 · último push 2026-08-13 · licencia Apache-2.0. Repo original. Default branch: main. 26 issues abiertos (proyecto maduro). Homepage: https://developers.llamaindex.ai/liteparse/. Topics: document-ocr, document-processing, ocr, ocr-recognition, pdf, pdf-parser, text-extraction. Distribuido vía crates.io, npm (@llamaindex/liteparse y @llamaindex/liteparse-wasm), PyPI (liteparse). CI badge verde. Features: PDFium para spatial parsing, complexity heuristic pre-OCR, screenshot generation para LLM agents, Markdown/JSON/Text output, multi-language bindings, multi-platform (Linux/macOS Intel+ARM/Windows).