LlamaParse: parsarea PDF-urilor, tabelelor și scanărilor (llama-cloud) în LlamaIndex & Data RAG

# pip install "llama-cloud>=2.8"   și   export LLAMA_CLOUD_API_KEY=llx-...
from llama_cloud import LlamaCloud
from llama_index.core import Document, VectorStoreIndex

client = LlamaCloud()
fisier = client.files.create(file="./bilant.pdf", purpose="parse")
rezultat = client.parsing.parse(
    file_id=fisier.id, tier="agentic", version="latest", expand=["markdown"]
)
documents = [Document(text=p.markdown) for p in rezultat.markdown.pages if p.success]
index = VectorStoreIndex.from_documents(documents)

LlamaParse este platforma de documente găzduită de LlamaIndex: Parse (OCR și parsare cu modele), Extract (JSON după schema ta), Classify, Split și Index. Platforma s-a numit LlamaCloud; pachetul llama-cloud, clientul LlamaCloud și variabila LLAMA_CLOUD_API_KEY și-au păstrat numele. Pachetele vechi llama-parse și llama-cloud-services (cu from llama_parse import LlamaParse) sunt depreciate: nota de pe PyPI spune că au fost întreținute până la 1 mai 2026 și trimite la llama-cloud 2.x.

Cu SDK-ul nou încarci fișierul (client.files.create(..., purpose="parse")) și apelezi client.parsing.parse(...), care așteaptă terminarea job-ului. tier și version sunt obligatorii: fast (text simplu, fără Markdown), cost_effective, agentic (scanări, layout pe coloane, tabele, grafice) și agentic_plus (rapoarte financiare dense, documente complexe). version="latest" e pentru dezvoltare; în producție documentația recomandă o versiune datată, publicată. expand alege ce se întoarce (markdown, text, items și altele).

Prețul este în credite pe pagină: 1 (Fast), 3 (Cost-effective), 10 (Agentic), 45 (Agentic Plus), la 1,25 USD pentru 1.000 de credite; re-parsarea aceluiași fișier în 48 de ore folosește cache-ul și nu consumă credite. Instrucțiunile în limbaj natural se dau prin agentic_options={"custom_prompt": ...} (nu există la fast), limbile OCR prin processing_options.ocr_parameters.languages, iar tabelele ies implicit în Markdown (output_options.markdown.tables.output_tables_as_markdown). Pentru parsare locală, fără cloud, LlamaIndex are proiectul open-source LiteParse.

Concepte cheie și caracteristici

Concept / Parametru	Descriere practică
tier	fast, cost_effective, agentic, agentic_plus. Obligatoriu.
version	"latest" sau o dată de versiune publicată (de exemplu "2026-01-08"). Obligatoriu.
expand	Câmpurile întoarse: markdown, text, items, images_content_metadata și altele.
agentic_options.custom_prompt	Instrucțiuni pentru parser („acesta este un raport financiar, păstrează simbolurile monetare”).
processing_options	OCR (ocr_parameters.languages), parsare de grafice, cost_optimizer, reguli de ignorare.
output_options	Stil Markdown, tabele ca Markdown sau HTML, capturi de pagină, tabele exportate ca XLSX.
AsyncLlamaCloud	Clientul async, cu aceleași metode și await.

Exemple practice și scenarii reale

Exemplul 1: Parsare cu instrucțiuni și tabele în Markdown

rezultat = client.parsing.parse(
    file_id=fisier.id,
    tier="agentic",
    version="latest",
    agentic_options={"custom_prompt": "Extras bancar. Păstrează toate sumele și IBAN-urile."},
    output_options={"markdown": {"tables": {"output_tables_as_markdown": True}}},
    expand=["markdown"],
)
print(rezultat.markdown.pages[0].markdown)

Exemplul 2: Tabelele separate în noduri proprii

MarkdownElementNodeParser din llama-index-core împarte Markdown-ul în noduri de text și noduri pentru obiecte (tabele); folosește LLM-ul pentru a rezuma fiecare tabel.

from llama_index.core.node_parser import MarkdownElementNodeParser

parser = MarkdownElementNodeParser()
nodes = parser.get_nodes_from_documents(documents)
base_nodes, objects = parser.get_nodes_and_objects(nodes)
index = VectorStoreIndex(nodes=base_nodes + objects)

Greșeli frecvente și capcane

• Cod nou cu from llama_parse import LlamaParse, result_type="markdown" și parsing_instruction. Pachetul e depreciat; folosește llama-cloud 2.x, tier, version și agentic_options.custom_prompt.
• version="latest" în producție. Rezultatul se poate schimba la o versiune nouă a parser-ului; fixează o versiune datată.
• agentic_plus pentru toate documentele. Costă de 15 ori mai mult decât cost_effective; pentru documente mixte documentația recomandă Cost Optimizer.

Noțiuni și module înrudite

• simple-directory-reader
• sentence-splitter-node-parser
• structured-predict-pydantic
• llamaindex-multimodal-rag