如何快速导出 LiteParse 布局块（Layout Blocks）：版面分类数据完整指南

如何快速导出 LiteParse 布局块（Layout Blocks）：版面分类数据完整指南

【免费下载链接】liteparseA fast, helpful, and open-source document parser项目地址: https://gitcode.com/GitHub_Trending/li/liteparse

LiteParse 是一款快速、轻量、完全开源的本地文档解析工具。除了输出 Markdown 和纯文本，它还能把文档的版面分类结果——即布局块（Layout Blocks）——连同每个块在页面上的坐标一并导出为结构化 JSON。只需一个--extract-blocks开关，你无需再手动拼接零散的文字片段，就能拿到"标题在哪、表格在哪个区域、代码块边界是多少"的完整数据，非常适合 RAG 切分、视觉引用和版面校验场景。

上图是 LiteParse 集成测试使用的一份扫描收据样本，其中的表头行、分隔线和商品明细行，正是版面分类器要识别的典型布局块。

什么是布局块：8 种版面元素一览

LiteParse 的 Markdown 渲染器本身就在工作：它先把页面逐行分类为不同"块"，再渲染成 Markdown。开启布局块导出后，你拿到的就是渲染器内部使用的同一份分类结果——同样的顺序、同样的块，只是从"渲染文本"变成了"可查询数据"。

每个块都有一个kind，共 8 种类型：

类型（kind）	含义	附带的关键字段
heading	标题	text、level（1–6 级）
paragraph	段落	text，可选bold/italic
list_item	列表项	text、ordered、marker、level
code	代码块	lines（逐行原文）、lang
table	表格	header、rows（单元格均带独立坐标）
grid_fallback	无法确信分类的表格区域（原样保留）	lines
rule	水平分隔线	仅坐标
figure	图片引用	id、format

重点提示：表格单元格不是裸字符串，而是带text和bbox的对象——这意味着你可以把"某个单元格"直接映射回它在页面上的具体区域，实现单元格级别的引用与高亮。

一条命令导出版面分类数据

无论通过npm、pip还是cargo安装，LiteParse 都提供同一个lit命令行工具。导出布局块只需一行：

lit parse document.pdf --format json --extract-blocks -o output.json

生成的 JSON 中，每个页面会新增一个按阅读顺序排列的blocks数组。块内坐标采用与text_items一致的左上角原点、72-DPI 视口坐标系，方便直接叠加渲染。

例如一个表格块导出后长这样（节选自项目文档示例）：

{ "kind": "table", "bbox": { "x": 72.0, "y": 310.5, "width": 468.0, "height": 96.0 }, "header": [ { "text": "Territory Code", "bbox": { "x": 72.0, "y": 310.5, "width": 120.0, "height": 24.0 } }, { "text": "Factor", "bbox": { "x": 192.0, "y": 310.5, "width": 96.0, "height": 24.0 } } ], "rows": [ [ { "text": "001", "bbox": { "x": 72.0, "y": 334.5, "width": 120.0, "height": 24.0 } }, { "text": "1.25", "bbox": { "x": 192.0, "y": 334.5, "width": 96.0, "height": 24.0 } } ] ] }

关于坐标的两个细节值得注意：

• 块的bbox是所有源行边界的并集——换行的标题或多行段落会报告它占据的完整带状区域；
• 为"补齐参差网格"而存在的空单元格没有bbox，因为它在页面上没有真实墨迹。

各语言开启方式速查

环境	开启方式
CLI	--extract-blocks
Rust	extract_blocks: true
Python	extract_blocks=True
JavaScript / WASM	extractBlocks: true

选项默认为关闭，不改变默认的 JSON 输出结构。官方文档中对应章节可参考docs/src/content/docs/liteparse/guides/extraction.mdx的 "Layout blocks" 小节，以及docs/src/content/docs/liteparse/guides/visual-citations.mdx中用布局块做整块引用的做法。

布局块导出的 3 个典型应用场景

📍视觉引用（Visual Citations）给 LLM Agent 回答做"划词高亮"时，逐个文字片段拼坐标非常繁琐；而每个布局块自带覆盖全部源行的bbox，直接圈出整个标题、段落或表格区域即可，表格还能细化到单元格。

🧩RAG 结构化切分按块而非按固定字数切分文档，每个 chunk 天然携带类型（段落 / 表格 / 代码）与位置信息，检索命中后可精确回溯到页面区域。

🔍版面解析质量审计把blocks与渲染截图叠画比对，快速定位分类器误判（比如把脚注误判成标题）的区域，适合构建评测集时做标注对齐。

核心实现位置导览

想了解或二次开发分类逻辑，可以从以下模块入手：

• crates/liteparse/src/markdown_layout/mod.rs— 版面分类模块入口，导出Block、PositionedBlock与页面分类函数
• crates/liteparse/src/markdown_layout/blocks.rs#L82-L132—Block枚举定义，8 种版面元素的源头
• crates/liteparse/src/markdown_layout/classify.rs#L74-L81— 页面分类主流程classify_page_with_filters
• crates/liteparse/src/layout.rs#L46-L95— 导出用的LayoutBlock结构体（JSON 中blocks数组的元素）
• crates/liteparse/src/config.rs#L75-L85—extract_blocks配置项定义
• crates/liteparse/src/parser.rs#L241-L269—apply_layout：分类一次、同时供给 Markdown 与 blocks 两个消费方
• crates/liteparse/tests/integration_test.rs#L349-L390— 验证"开启导出后 Markdown 不变、每个块均带坐标、块按阅读顺序排列"的集成测试

使用小贴士 ⭐

1. 不影响 Markdown 输出：开启--extract-blocks后渲染出的 Markdown 与关闭时逐字节一致，可放心同时导出两种产物；
2. 顺序即阅读顺序：单栏页面上blocks按 y 坐标自上而下排列，多栏页面则遵循分类器重建的阅读流；
3. 坐标空间统一：blocks、text_items、截图标注共用同一套左上原点 72-DPI 坐标，无需换算即可互相映射；
4. 空页返回空列表而非缺失：开启了导出但页面无可分解内容时，blocks为空数组，便于下游代码统一处理。

从一条 CLI 命令到带坐标的结构化 JSON，LiteParse 的布局块导出让"版面分类"从渲染器的内部过程变成了可自由消费的数据——这正是构建下一代文档理解流水线所需要的底层原料。

【免费下载链接】liteparseA fast, helpful, and open-source document parser项目地址: https://gitcode.com/GitHub_Trending/li/liteparse