LlamaParse - Analisi di Documenti per RAG

LlamaParse - Analisi di Documenti per RAG Cheatsheet

LlamaParse è un servizio di analisi di documenti dal team LlamaIndex, costruito specificamente per pipeline LLM e RAG. Il suo focus è il caso difficile: PDF con tabelle complesse, layout multi-colonna, figure e grafici incorporati che gli estrattori di testo generico appiattiscono in testo inutilizzabile. Output Markdown pulito che preserva la struttura, e la sua caratteristica distintiva è istruzioni di analisi in linguaggio naturale — descrivi come il documento è disposto e cosa farvi, piuttosto che configurare regole di estrazione.

LlamaParse è un servizio hosted con un tier gratuito (chiave API richiesta). Per analisi completamente locale vedi Docling o Marker.

Installazione

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

Analisi di Base

from llama_parse import LlamaParse

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

Parametro	Scopo
`result_type`	`"markdown"` (che preserva la struttura) o `"text"`
`num_workers`	Elaborazione parallela di pagine
`verbose`	Output di progresso
`language`	Suggerimento della lingua del documento
`parsing_instruction`	Guida in linguaggio naturale (sotto)

Istruzioni di Analisi (il differenziatore)

parser = LlamaParse(
    result_type="markdown",
    parsing_instruction="""
    Questo è un report finanziario. Preserva tutte le tabelle come tabelle Markdown.
    Per ogni grafico, scrivi una descrizione di un paragrafo della tendenza che mostra.
    Ignora intestazioni e piè di pagina.
    """,
)

Descrivi il documento e la gestione desiderata in linguaggio ordinario piuttosto che scrivere codice di estrazione — utile per layout specifici del dominio (fatture, articoli scientifici, contratti legali) dove i parser generici fanno male.

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"]))

Metodo	Usa
`load_data(path)`	File singolo, sincrone
`aload_data([paths])`	Async, file multipli
`get_json_result(path)`	JSON strutturato con metadati di pagina
`get_images(...)`	Estrai immagini incorporate

Input Supportati

Formato	Nota
PDF	Target primario, inclusi scansionati (OCR)
DOCX / PPTX / XLSX	Formati Office
HTML	Documenti web
Immagini	PNG/JPEG via OCR

Collegare in 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")

# La chunking consapevole di Markdown mantiene tabelle e sezioni intatte
node_parser = MarkdownElementNodeParser()
nodes = node_parser.get_nodes_from_documents(docs)

index = VectorStoreIndex(nodes)

Accoppiare l”output Markdown con un node parser consapevole di Markdown è il punto: le tabelle sopravvivono all”analisi e al chunking, che è dove la maggior parte dei pipeline RAG perdono i fatti tabulari.

Gestione di Tabelle Bene

Tecnica	Perché
`result_type="markdown"`	Le tabelle diventano griglie Markdown
Istruzione di analisi per tabelle	Forza una gestione coerente delle tabelle
`MarkdownElementNodeParser`	Mantiene una tabella in un chunk
Serializzazione riga-per-frase	Rende singole righe recuperabili

Costo & Note Pratiche

Considerazione	Dettaglio
Servizio hosted	I documenti sono inviati a LlamaCloud
Tier gratuito	Pagine limitate al giorno
Caching	Ri-analizzare lo stesso file può riutilizzare i risultati
Privacy	Per documenti sensibili preferisci parser locali

LlamaParse vs Parser Locali

Aspetto	LlamaParse	Docling	Marker
Hosting	Servizio cloud	Locale	Locale
Tabelle complesse	Molto forte	Forte	Buono
Istruzioni custom	Linguaggio naturale	Config	Config
Privacy	I dati lasciano la tua macchina	Completamente locale	Completamente locale
Migliore per	Layout difficili, risultati veloci	Ingestione RAG auto-hosted	Conversione bulk locale GPU

Per corpora sensibili alla privacy usa Docling; per conversione bulk locale usa Marker.