LlamaParse - Cheatsheet de Parsing de Documento para RAG

LlamaParse - Cheatsheet de Parsing de Documento para RAG

LlamaParse é um serviço de parsing de documento da equipe LlamaIndex, construído especificamente para pipelines LLM e RAG. Seu foco é o caso difícil: PDFs com tabelas complexas, layouts multi-coluna, figuras e gráficos incorporados que extractores de texto genéricos achatam em texto inutilizável. Ele gera Markdown limpo que preserva estrutura, e sua característica distintiva é instruções de parsing em linguagem natural — você descreve como o documento é disposto e o que fazer com ele, em vez de configurar regras de extração.

LlamaParse é um serviço hospedado com um tier gratuito (chave de API necessária). Para parsing totalmente local veja Docling ou Marker.

Instalação

Método	Comando
pip	pip install llama-parse
Com LlamaIndex	pip install llama-index llama-parse
Chave de API	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)

Parâmetro	Propósito
result_type	"markdown" (preserva estrutura) ou "text"
num_workers	Processamento paralelo de página
verbose	Saída de progresso
language	Dica de linguagem de documento
parsing_instruction	Orientação em linguagem natural (abaixo)

Instruções de Parsing (o diferenciador)

parser = LlamaParse(
    result_type="markdown",
    parsing_instruction="""
    Este é um relatório financeiro. Preserve todas as tabelas como tabelas Markdown.
    Para cada gráfico, escreva uma descrição de um parágrafo da tendência que mostra.
    Ignore cabeçalhos e rodapés de página.
    """,
)

Você descreve o documento e o manuseio desejado em linguagem simples em vez de escrever código de extração — útil para layouts específicos de domínio (faturas, artigos científicos, contratos legais) onde parsers genéricos funcionam mal.

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	Use
load_data(path)	Arquivo único, síncrono
aload_data([paths])	Async, múltiplos arquivos
get_json_result(path)	JSON estruturado com metadados de página
get_images(...)	Extrai imagens incorporadas

Entradas Suportadas

Formato	Nota
PDF	Alvo primário, inclusive scanned (OCR)
DOCX / PPTX / XLSX	Formatos Office
HTML	Documentos web
Imagens	PNG/JPEG via OCR

Fiando em um Pipeline de 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 ciente de Markdown mantém tabelas e seções intactas
node_parser = MarkdownElementNodeParser()
nodes = node_parser.get_nodes_from_documents(docs)

index = VectorStoreIndex(nodes)

Emparelhar saída Markdown com um node parser ciente de Markdown é o ponto: tabelas sobrevivem ao parsing e chunking, que é onde a maioria dos pipelines RAG perde fatos tabulares.

Tratando Bem Tabelas

Técnica	Por quê
result_type="markdown"	Tabelas se tornam grids Markdown
Instrução de parsing para tabelas	Force manuseio consistente de tabela
MarkdownElementNodeParser	Mantém uma tabela em um chunk
Serialização row-per-sentence	Torna linhas individuais recuperáveis

Custo & Notas Práticas

Consideração	Detalhe
Serviço hospedado	Documentos são enviados para LlamaCloud
Tier gratuito	Páginas limitadas por dia
Caching	Re-parsing do mesmo arquivo pode reusar resultados
Privacidade	Para documentos sensíveis prefira parsers locais

LlamaParse vs Parsers Locais

Aspecto	LlamaParse	Docling	Marker
Hosting	Serviço em nuvem	Local	Local
Tabelas complexas	Muito forte	Forte	Bom
Instruções customizadas	Linguagem natural	Config	Config
Privacidade	Dados deixam sua máquina	Totalmente local	Totalmente local
Melhor para	Layouts difíceis, resultados rápidos	RAG auto-hospedado	Conversão bulk local

Para corpora sensíveis de privacidade use Docling; para conversão bulk local use Marker.

Recursos

• Documentação Oficial
• Repositório GitHub
• LlamaIndex