LlamaParse - Parsing de documentos para RAG

LlamaParse - Parsing de documentos para RAG

LlamaParse es un servicio de parsing de documentos del equipo de LlamaIndex, construido específicamente para pipelines de LLM y RAG. Su enfoque es el caso difícil: PDFs con tablas complejas, layouts multi-columna, figuras y charts embebidos que los extractores de texto genéricos aplanan en texto inutilizable. Produce Markdown limpio que preserva estructura, y su característica distintiva es instrucciones de parsing en lenguaje natural — describes cómo se layout el documento y qué hacer con él, en lugar de configurar reglas de extracción.

LlamaParse es un servicio hospedado con un tier gratuito (API key requerida). Para parsing completamente local ver Docling o Marker.

Instalación

Método	Comando
pip	pip install llama-parse
Con LlamaIndex	pip install llama-index llama-parse
API key	export LLAMA_CLOUD_API_KEY="llx-..."
Verificar	python -c "from llama_parse import LlamaParse; print('ok')"

Parsing básico

from llama_parse import LlamaParse

parser = LlamaParse(result_type="markdown")
documents = parser.load_data("./report.pdf")
print(documents[0].text)

Parámetro	Propósito
result_type	"markdown" (preservador de estructura) o "text"
num_workers	Procesamiento de página paralelo
verbose	Salida de progreso
language	Pista de lenguaje del documento
parsing_instruction	Guía en lenguaje natural (abajo)

Instrucciones de parsing (el diferenciador)

parser = LlamaParse(
    result_type="markdown",
    parsing_instruction="""
    Este es un reporte financiero. Preserva todas las tablas como tablas Markdown.
    Para cada chart, escribe un párrafo de una línea describiendo la tendencia que muestra.
    Ignora encabezados y pies de página.
    """,
)

Describes el documento y el manejo deseado en lenguaje plano en lugar de escribir código de extracción — útil para layouts específicos del dominio (facturas, papers científicos, contratos legales) donde los parsers genéricos funcionan pobremente.

Async & batch

import asyncio

async def parse_many(paths):
    parser = LlamaParse(result_type="markdown", num_workers=8)
    return await parser.aload_data(paths)

docs = asyncio.run(parse_many(["a.pdf", "b.pdf", "c.pdf"]))

Método	Usar
load_data(path)	Archivo único, síncrono
aload_data([paths])	Async, múltiples archivos
get_json_result(path)	JSON estructurado con metadata de página
get_images(...)	Extraer imágenes embebidas

Entradas soportadas

Formato	Nota
PDF	Objetivo primario, incluyendo escaneados (OCR)
DOCX / PPTX / XLSX	Formatos Office
HTML	Documentos web
Images	PNG/JPEG vía OCR

Cableando a un pipeline RAG

from llama_parse import LlamaParse
from llama_index.core import VectorStoreIndex
from llama_index.core.node_parser import MarkdownElementNodeParser

docs = LlamaParse(result_type="markdown").load_data("./manual.pdf")

# Chunking consciente de Markdown mantiene tablas y secciones intactas
node_parser = MarkdownElementNodeParser()
nodes = node_parser.get_nodes_from_documents(docs)

index = VectorStoreIndex(nodes)

Emparejar salida Markdown con un node parser consciente de Markdown es el punto: las tablas sobreviven el parsing y chunking, que es donde la mayoría de pipelines RAG pierden hechos tabulares.

Manejando tablas bien

Técnica	Por qué
result_type="markdown"	Las tablas se convierten en grillas Markdown
Instrucción de parsing para tablas	Forzar manejo consistente de tabla
MarkdownElementNodeParser	Mantiene una tabla en un chunk
Serialización row-per-sentence	Hace filas individuales recuperables

Costo & notas prácticas

Consideración	Detalle
Servicio hospedado	Los documentos se envían a LlamaCloud
Tier gratuito	Páginas limitadas por día
Caching	Re-parsear el mismo archivo puede reusar resultados
Privacidad	Para documentos sensibles, prefiere parsers locales

LlamaParse vs parsers locales

Aspecto	LlamaParse	Docling	Marker
Hosting	Servicio en cloud	Local	Local
Tablas complejas	Muy fuerte	Fuerte	Bueno
Instrucciones personalizadas	Lenguaje natural	Config	Config
Privacidad	Los datos dejan tu máquina	Completamente local	Completamente local
Mejor para	Layouts difíciles, resultados rápidos	Ingesta RAG self-hosted	Conversión bulk local

Para corpus sensibles a privacidad usa Docling; para conversión bulk local usa Marker.

Recursos

• Official Documentation
• GitHub Repository
• LlamaIndex