LiteParse スキル

LiteParse を使用して、非構造化ドキュメント (PDF、DOCX、PPTX、XLSX、画像など) をローカルで解析します。高速、軽量、クラウド依存やLLMは不要です。

初期セットアップ

このスキルが呼び出されたとき、以下の応答をします：

LiteParse を使用してファイルをローカルで解析する準備ができました。開始する前に、以下を確認してください：

- `@llamaindex/liteparse` がグローバルにインストールされている (`npm i -g @llamaindex/liteparse`)
- ターミナルで `lit` CLIコマンドが利用可能である

両方が設定されていれば、以下をお知らせください：

1. 解析するファイル（PDF、DOCX、PPTX、XLSX、画像など）
2. 特定のオプション：出力形式（json/text）、ページ範囲、OCR設定、DPI など
3. 解析されたコンテンツで何をしたいか

適切な `lit` CLIコマンド、または TypeScript スクリプトを生成します。承認後、結果をレポートします。

その後、ユーザーの入力を待ちます。

---

ステップ 0 — LiteParse のインストール（必要な場合）

liteparse がまだインストールされていない場合、グローバルにインストールします：

npm i -g @llamaindex/liteparse

インストール確認：

lit --version

Office ドキュメント対応（DOCX、PPTX、XLSX）には LibreOffice が必要です：

# macOS
brew install --cask libreoffice

# Ubuntu/Debian
apt-get install libreoffice

画像解析には ImageMagick が必要です：

# macOS
brew install imagemagick

# Ubuntu/Debian
apt-get install imagemagick

---

ステップ 1 — CLI コマンドまたはスクリプトの生成

単一ファイルの解析

# 基本的なテキスト抽出
lit parse document.pdf

# JSON 出力をファイルに保存
lit parse document.pdf --format json -o output.json

# 特定のページ範囲
lit parse document.pdf --target-pages "1-5,10,15-20"

# OCR を無効化（高速化、テキストのみの PDF）
lit parse document.pdf --no-ocr

# 外部 HTTP OCR サーバーを使用（精度向上）
lit parse document.pdf --ocr-server-url http://localhost:8828/ocr

# より高い DPI で品質向上
lit parse document.pdf --dpi 300

ディレクトリのバッチ解析

lit batch-parse ./input-directory ./output-directory

# PDF のみ処理、再帰的に
lit batch-parse ./input ./output --extension .pdf --recursive

ページスクリーンショットの生成

スクリーンショットは、ビジュアルレイアウトを見る必要がある LLM エージェントに便利です。

# すべてのページ
lit screenshot document.pdf -o ./screenshots

# 特定のページ
lit screenshot document.pdf --pages "1,3,5" -o ./screenshots

# 高 DPI PNG
lit screenshot document.pdf --dpi 300 --format png -o ./screenshots

# ページ範囲
lit screenshot document.pdf --pages "1-10" -o ./screenshots

---

ステップ 3 — キーオプション リファレンス

OCR オプション

オプション	説明
（デフォルト）	Tesseract.js — セットアップ不要、組み込み
--ocr-language fra	OCR 言語を設定（ISO コード）
--ocr-server-url <url>	外部 HTTP OCR サーバーを使用（EasyOCR、PaddleOCR、カスタム）
--no-ocr	OCR を完全に無効化

出力オプション

オプション	説明
--format json	バウンディングボックス付きの構造化 JSON
--format text	プレーンテキスト（デフォルト）
-o <file>	出力をファイルに保存

パフォーマンス / 品質オプション

オプション	説明
--dpi <n>	レンダリング DPI（デフォルト：150、高品質の場合 300）
--max-pages <n>	解析するページ数を制限
--target-pages <pages>	特定のページを解析（例："1-5,10"）
--no-precise-bbox	正確なバウンディングボックスを無効化（高速化）
--skip-diagonal-text	回転/斜めのテキストを無視
--preserve-small-text	削除される非常に小さいテキストを保持

---

ステップ 4 — 設定ファイルの使用

一貫したオプションで繰り返し使用する場合は、liteparse.config.json を生成します：

{
  "ocrLanguage": "en",
  "ocrEnabled": true,
  "maxPages": 1000,
  "dpi": 150,
  "outputFormat": "json",
  "preciseBoundingBox": true,
  "skipDiagonalText": false,
  "preserveVerySmallText": false
}

HTTP OCR サーバーの場合：

{
  "ocrServerUrl": "http://localhost:8828/ocr",
  "ocrLanguage": "en",
  "outputFormat": "json"
}

以下のように使用します：

lit parse document.pdf --config liteparse.config.json

---

ステップ 5 — HTTP OCR サーバー API（高度な使用方法）

ユーザーがカスタム OCR バックエンドをプラグインしたい場合、サーバーは以下を実装する必要があります：

• エンドポイント: POST /ocr
• 受け入れる: file（マルチパート）および language（文字列）パラメータ
• 返す:

{
  "results": [
    { "text": "Hello", "bbox": [x1, y1, x2, y2], "confidence": 0.98 }
  ]
}

EasyOCR および PaddleOCR 向けの既製ラッパーが LiteParse リポジトリに存在します。

---

サポートされている入力形式

カテゴリ	形式
PDF	.pdf
Word	.doc, .docx, .docm, .odt, .rtf
PowerPoint	.ppt, .pptx, .pptm, .odp
スプレッドシート	.xls, .xlsx, .xlsm, .ods, .csv, .tsv
画像	.jpg, .jpeg, .png, .gif, .bmp, .tiff, .webp, .svg

Office ドキュメントには LibreOffice が必要です。画像には ImageMagick が必要です。LiteParse はこれらの形式を PDF に自動変換してから解析します。