LiteParse - LlamaIndex가 오픈소스로 공개한 초경량 PDF 파서

개요

LiteParse는 LlamaIndex의 상용 파서 LlamaParse의 핵심 파싱 로직을 오픈소스로 공개한 것이다. 2026년 3월에 출시되어 가장 최신 파서 중 하나다.

핵심 컨셉은 **"PDF를 이미지로 렌더링하지 않고, 텍스트 좌표를 공간 그리드에 투영하여 레이아웃을 재구성"**하는 것이다. ML 모델 없이 순수 좌표 기반이라 극한의 속도를 달성한다.

LlamaParse vs LiteParse

내부 파이프라인

PDF 입력 (파일/Buffer/Uint8Array)
  → PDF.js로 텍스트 + 좌표 추출
  → (비PDF 입력시) 포맷 변환 → PDF 변환 후 파싱
  → 페이지별 처리:
      ├── 텍스트 아이템 좌표(x, y, width, height) 추출
      ├── 공간 그리드(Spatial Grid)에 텍스트 투영
      ├── 읽기 순서 결정 (좌→우, 위→아래)
      └── (OCR 활성시) Tesseract.js로 이미지 기반 텍스트 인식
  → 텍스트 결합 → 출력

핵심 특징: Spatial Text Extraction

일반적인 PDF 파서들이 "PDF → 이미지 렌더링 → ML로 구조 감지" 하는 것과 달리, LiteParse는 **"PDF 내부 텍스트 좌표를 직접 읽어 공간적으로 배치"**한다.

기존 ML 파서:  PDF → 이미지 → YOLO/Transformer → 구조 감지 → 텍스트 추출
LiteParse:     PDF → PDF.js → 텍스트 좌표 → 공간 그리드 투영 → 텍스트 출력

이 접근의 장점은 속도고, 단점은 구조적 의미를 이해하지 못한다는 것이다. 폰트 크기가 큰 텍스트가 제목인지, 테이블의 셀 경계가 어디인지 판별하지 않는다.

설치 및 사용법

# Node.js 환경 (Python이 아님!)
npm install @llamaindex/liteparse
 
# CLI 사용
npx liteparse document.pdf

JavaScript/TypeScript API

import { LiteParse } from "@llamaindex/liteparse";
 
// 기본 사용
const parser = new LiteParse();
const result = await parser.parse("document.pdf");
console.log(result.text);
 
// Buffer 입력
const buffer = fs.readFileSync("document.pdf");
const result = await parser.parse(buffer);
 
// JSON 출력 (바운딩 박스 포함)
const parser = new LiteParse({ outputFormat: "json", dpi: 300 });
const result = await parser.parse("document.pdf");
for (const page of result.json.pages) {
  console.log(`Page ${page.page}: ${page.boundingBoxes.length} boxes`);
}
 
// OCR 활성화
const parser = new LiteParse({
  ocrEnabled: true,
  ocrLanguage: "eng",
});
 
// HTTP OCR 서버 사용
const parser = new LiteParse({
  ocrServerUrl: "http://localhost:8828/ocr",
});

주요 설정

READoc 벤치마크 결과

테스트 환경

결과

다른 파서와 비교

LiteParse는 MinerU보다 690배 빠르지만 품질은 26.5%p 낮다.

왜 50.7%인가?

LiteParse의 출력은 순수 텍스트다. Markdown 구조화(헤딩, 테이블, 수식 LaTeX)를 하지 않으므로 GT Markdown과의 Edit Distance가 크다.

LiteParse 출력:

Math That Matters:
Enhancing Academic Mathematics' Impact on Society
Plenary address to 2019 ICAPTA Conference, Abuja Nigeria
Christopher Thron

GT Markdown:

# Math That Matters: Enhancing Academic Mathematics' Impact on Society
_Plenary address to 2019 ICAPTA Conference, Abuja Nigeria_
 
Christopher Thron

텍스트 내용 자체는 정확하게 추출되지만, #, _, **, $$ 같은 Markdown 구문이 없어서 Edit Distance가 벌어진다.

장단점 분석

장점

• 극한의 속도: 0.1초/문서, 모든 파서 중 최고속
• MIT 라이선스: 상용 프로젝트에 자유롭게 사용 가능
• GPU/ML 모델 불필요: Node.js만 있으면 동작
• Zero Python 의존성: TypeScript/Node.js 네이티브
• 바운딩 박스 제공: JSON 출력 시 모든 텍스트의 좌표 정보 포함
• OCR 지원: Tesseract.js 내장, 외부 OCR 서버 연동 가능
• Buffer 입력 지원: 디스크 I/O 없이 메모리에서 직접 파싱
• 2026년 3월 출시: 가장 최신, 활발한 개발

단점

• Markdown 구조화 없음: 헤딩, 테이블, 수식 등을 구분하지 못함
• 순수 텍스트 출력: #, **, $$, <table> 등 구문 없음
• Node.js 전용: Python 생태계와 분리됨
• OCR 품질: Tesseract.js는 ML 기반 OCR 대비 정확도가 낮음
• 레이아웃 이해 한계: 다단 칼럼, 사이드바 등 복잡한 레이아웃에서 읽기 순서 오류 가능

추천 사용처

정리

LiteParse는 "텍스트 내용만 빠르게 뽑으면 되는" 사용 사례에 최적화된 파서다. Markdown 구조화가 필요하면 PyMuPDF4LLM이나 MinerU를 사용해야 한다.

하지만 LlamaParse의 오픈소스 코어라는 점, MIT 라이선스, Node.js 네이티브라는 점에서 프론트엔드/풀스택 프로젝트에서는 유용할 수 있다. 특히 LlamaIndex 생태계와의 연동을 고려하면 LiteParse(로컬 빠른 전처리) + LlamaParse(정밀 파싱)의 조합도 가능하다.

이 파서의 헤딩/테이블/수식/이미지 처리 결과를 다른 파서와 직접 비교한 글: PDF 파서 5종 비교 분석

참고

• LiteParse GitHub
• LiteParse npm
• LlamaIndex 블로그 — LiteParse 소개
• 2026-03-25-PyMuPDF4LLM-PDF-파서-분석 — PyMuPDF4LLM 분석
• 2026-03-23-MinerU-2x-파이프라인-분석 — MinerU 2.x 분석