liteparse · sammcj — скилл для Claude Code: извлечение текста из документов
Скилл liteparse извлекает текст и структуру из PDF, DOCX, PPTX, XLSX и картинок в markdown локально, без облаков и LLM.
Apache-2.0 ★ 173 обновлён 2026-10-24
npx skills add sammcj/agentic-coding --skill liteparse -a claude-codeЧто делает liteparse
Парсит документы через CLI-утилиту lit на базе пакета @llamaindex/liteparse. Умеет в OCR через встроенный Tesseract.js или внешний HTTP-сервер (EasyOCR, PaddleOCR), выдаёт plain text или JSON с координатами блоков. Можно указать диапазон страниц, отключить OCR для текстовых PDF, поднять DPI до 300 для качества или сгенерировать скриншоты страниц для агентов, которым нужна визуальная раскладка.
Офисные форматы (Word, PowerPoint, Excel) конвертируются в PDF перед парсингом — для этого нужен LibreOffice в системе, для растровых картинок — ImageMagick. Без них эти форматы не обработаются. Есть пакетный режим batch-parse для папок и конфиг-файл liteparse.config.json, чтобы не повторять флаги.
Какие задачи решает
- извлечь текст из PDF с сохранением координат блоков
- распарсить DOCX или PPTX в markdown без ручной конвертации
- прогнать OCR по папке отсканированных документов
- сгенерировать скриншоты страниц PDF для LLM-агента
- обработать таблицы из XLSX в структурированный JSON
Примеры запросов агенту
- Распарси
contract.pdfв markdown, только страницы 1–5 и 10 - Прогони OCR по всем PDF в папке
./scans, результат в./output - Сделай скриншоты первых 10 страниц
report.pdfв 300 DPI
Как установить liteparse
1Через Skills CLI (Vercel)
npx skills add sammcj/agentic-coding --skill liteparse -a claude-code2Вручную: положить файлы
~/.claude/skills/liteparse/SKILL.mdПапка скилла целиком; для одного проекта — .claude/skills/liteparse/
1Через Skills CLI (Vercel)
npx skills add sammcj/agentic-coding --skill liteparse -a codex2Вручную: положить файлы
.agents/skills/liteparse/SKILL.mdДля всех проектов — ~/.agents/skills/
1Через Skills CLI (Vercel)
npx skills add sammcj/agentic-coding --skill liteparse -a cursor2Вручную: положить файлы
.cursor/skills/liteparse/SKILL.mdCursor читает и .agents/skills/, и .claude/skills/
1GitHub CLI
gh skill install sammcj/agentic-coding Skills/liteparse/SKILL.md2Вручную: положить файлы
.github/skills/liteparse/SKILL.md1Через Skills CLI (Vercel)
npx skills add sammcj/agentic-coding --skill liteparse -a gemini-cli2Командой платформы
gemini skills install https://github.com/sammcj/agentic-coding --path Skills/liteparseВручную: положить файлы
.devin/skills/liteparse/SKILL.mdСтарый путь .windsurf/skills/ тоже читается
Claude.ai
Упакуйте папку в zip и загрузите в Settings → Capabilities → Skills
По шагам, с командами для каждой платформы: Как установить скилл в Claude Code: пять способов
Вопросы о liteparse
Как установить liteparse в Claude Code?
Выполни npx skills add sammcj/agentic-coding --skill liteparse -a claude-code. Скилл появится в ~/.claude/skills/liteparse/SKILL.md.
Что делает liteparse?
Извлекает текст и структуру из PDF, офисных документов и картинок локально через CLI lit. Встроенный OCR, вывод в markdown или JSON с координатами блоков, пакетная обработка папок.
Можно ли использовать liteparse без установки?
Да, замени lit <args> на npx -y @llamaindex/liteparse <args> в командах. Утилита запустится через npx без глобальной установки.
Исходный текст
SKILL.md · Apache-2.0
---
name: liteparse
description: Provides fast document to markdown extraction. Use this skill when the user asks to parse, perform multi-format document conversion or spatially extract text from an unstructured file (PDF, DOCX, PPTX, XLSX, images, etc.) locally.
---
# LiteParse Skill
Parse unstructured documents (PDF, DOCX, PPTX, XLSX, images, and more) locally with LiteParse: fast, lightweight, no cloud dependencies or LLM required.
## Step 0 - Use via npx, or install LiteParse
NOTE: Rather than installing `liteparse` globally, you can instead run it directly with `npx`, substituting `lit <args>` with `npx -y @llamaindex/liteparse <args>` in the commands below.
```bash
npx -y @llamaindex/liteparse
```
Otherwise if installing globally, use `pnpm install -g @llamaindex/liteparse` and then run `lit <args>`.
---
## Step 1 - Produce the CLI Command or Script
### Parse a Single File
```bash
# Basic text extraction
lit parse document.pdf
# JSON output saved to a file
lit parse document.pdf --format json -o output.json
# Specific page range
lit parse document.pdf --target-pages "1-5,10,15-20"
# Disable OCR (faster, text-only PDFs)
lit parse document.pdf --no-ocr
# Use an external HTTP OCR server for higher accuracy
lit parse document.pdf --ocr-server-url http://localhost:8828/ocr
# Higher DPI for better quality
lit parse document.pdf --dpi 300
```
### Batch Parse a Directory
```bash
lit batch-parse ./input-directory ./output-directory
# Only process PDFs, recursively
lit batch-parse ./input ./output --extension .pdf --recursive
```
### Generate Page Screenshots
Screenshots are useful for LLM agents that need to see visual layout.
```bash
# All pages
lit screenshot document.pdf -o ./screenshots
# Specific pages
lit screenshot document.pdf --pages "1,3,5" -o ./screenshots
# High-DPI PNG
lit screenshot document.pdf --dpi 300 --format png -o ./screenshots
# Page range
lit screenshot document.pdf --pages "1-10" -o ./screenshots
```
---
## Step 3 - Key Options Reference
### OCR Options
| Option | Description |
|--------|-------------|
| (default) | Tesseract.js - zero setup, built-in |
| `--ocr-language fra` | Set OCR language (ISO code) |
| `--ocr-server-url <url>` | Use external HTTP OCR server (EasyOCR, PaddleOCR, custom) |
| `--no-ocr` | Disable OCR entirely |
### Output Options
| Option | Description |
|--------|-------------|
| `--format json` | Structured JSON with bounding boxes |
| `--format text` | Plain text (default) |
| `-o <file>` | Save output to file |
### Performance / Quality Options
| Option | Description |
|--------|-------------|
| `--dpi <n>` | Rendering DPI (default: 150; use 300 for high quality) |
| `--max-pages <n>` | Limit pages parsed |
| `--target-pages <pages>` | Parse specific pages (e.g. `"1-5,10"`) |
| `--no-precise-bbox` | Disable precise bounding boxes (faster) |
| `--skip-diagonal-text` | Ignore rotated/diagonal text |
| `--preserve-small-text` | Keep very small text that would otherwise be dropped |
---
## Step 4 - Using a Config File
For repeated use with consistent options, generate a `liteparse.config.json`:
```json
{
"ocrLanguage": "en",
"ocrEnabled": true,
"maxPages": 1000,
"dpi": 150,
"outputFormat": "json",
"preciseBoundingBox": true,
"skipDiagonalText": false,
"preserveVerySmallText": false
}
```
For an HTTP OCR server:
```json
{
"ocrServerUrl": "http://localhost:8828/ocr",
"ocrLanguage": "en",
"outputFormat": "json"
}
```
Use with:
```bash
lit parse document.pdf --config liteparse.config.json
```
---
## Step 5 - HTTP OCR Server API (Advanced)
If the user wants to plug in a custom OCR backend, the server must implement:
- **Endpoint**: `POST /ocr`
- **Accepts**: `file` (multipart) and `language` (string) parameters
- **Returns**:
```json
{
"results": [
{ "text": "Hello", "bbox": [x1, y1, x2, y2], "confidence": 0.98 }
]
}
```
Ready-to-use wrappers exist for EasyOCR and PaddleOCR in the LiteParse repo.
---
## Supported Input Formats
| Category | Formats |
|----------|---------|
| PDF | `.pdf` |
| Word | `.doc`, `.docx`, `.docm`, `.odt`, `.rtf` |
| PowerPoint | `.ppt`, `.pptx`, `.pptm`, `.odp` |
| Spreadsheets | `.xls`, `.xlsx`, `.xlsm`, `.ods`, `.csv`, `.tsv` |
| Images | `.jpg`, `.jpeg`, `.png`, `.gif`, `.bmp`, `.tiff`, `.webp`, `.svg` |
Office documents require LibreOffice; images require ImageMagick. LiteParse auto-converts these formats to PDF before parsing.
© sammcj · Apache-2.0 · sammcj/agentic-coding
Похожие скиллы
Все скиллы по теме «Документы и офис» →Сначала — liteparse от других авторов.