liteparse-windows

LiteParse Windows — Autos do PJe

Skill para extrair conteúdo de PDFs de autos do PJe (Processo Judicial Eletrônico) em Windows. O LiteParse lida bem com o padrão típico do PJe: capa padronizada + documentos anexados, frequentemente escaneados (OCR), podendo chegar a centenas de páginas.

Quando disparar

Acione esta skill quando o usuário:

• Invocar a barra de comando /liteparse-windows
• Fornecer um caminho de PDF e pedir para parsear/extrair/ler (ex.: "parseia C:\...\0000001-23.2025.8.06.0203.pdf")
• Falar em autos, processo, peça, tribunal, réplica, contestação, decisão — no contexto de extrair texto de um PDF local
• Mencionar número no padrão CNJ (NNNNNNN-DD.AAAA.J.TR.OOOO) junto com um pedido de extração

Se o usuário pedir para baixar os autos, esta skill não cobre isso — redirecione para uma das skills de download (baixar-autos-pje via Claude in Chrome, ou pje-download via browser-use).

Pré-requisitos (assume instalado)

Antes de qualquer parse, valide rapidamente:

lit --version

Se o comando falhar, pare e informe o usuário que precisa instalar @llamaindex/liteparse globalmente (npm i -g @llamaindex/liteparse). Não entre em tutoriais longos de instalação — essa skill pressupõe ambiente pronto.

Dependências opcionais (já esperadas no Windows do usuário):

• LibreOffice — necessário se o anexo vier em DOC/DOCX/XLSX/PPTX dentro do processo
• ImageMagick — necessário para imagens soltas (JPG/PNG/TIFF)

Fluxo padrão de um PDF do PJe

1. Verificar o arquivo

ls -la "<caminho-do-pdf>"

Anote o tamanho — PDFs do PJe acima de ~5 MB quase sempre têm páginas escaneadas (OCR vai rodar). Abaixo disso costumam ser texto nativo.

2. Rodar o parse

Comando padrão, saída em texto, salvando ao lado do PDF:

lit parse "<caminho-do-pdf>" --format text -o "<caminho-do-pdf-sem-.pdf>.txt"

Por padrão o LiteParse:

• Extrai texto nativo quando disponível
• Faz OCR automático (Tesseract.js embutido) nas páginas escaneadas
• Usa DPI 150 (suficiente para autos típicos)

Para processos grandes (>50 páginas com OCR), rode em background para não travar a conversa:

lit parse "<caminho>" --format text -o "<saida.txt>"
# com run_in_background=true no Bash tool

Enquanto roda, avise o usuário: "Processando em background (pode levar vários minutos se houver OCR em muitas páginas)."

3. Reportar metadados do processo

Assim que o parse terminar, sempre leia as primeiras ~120 linhas do .txt e extraia os campos da capa padronizada do PJe. Monte uma tabela e apresente ao usuário:

Campo	Onde encontrar na capa
Número	linha "Número: NNNNNNN-DD.AAAA.J.TR.OOOO"
Classe	linha "Classe: ..."
Órgão julgador	linha "Órgão julgador: ..."
Distribuição	linha "Última distribuição:"
Valor da causa	linha "Valor da causa: R$ ..."
Assuntos	linha "Assuntos: ..."
Sigilo	linha "Nível de Sigilo:"
Justiça gratuita	"Justiça gratuita? SIM/NÃO"
Liminar/tutela	"Pedido de liminar ou antecipação de tutela? SIM/NÃO"

Depois identifique:

• Partes e advogados — seção "Partes ... Advogados"
• Últimas movimentações — topo da tabela "Documentos" (Id., Data, Documento, Tipo)

Dica: o número CNJ revela o tribunal pelo código TR (posições 15-16):

TR	Tribunal
06	TJCE
26	TJSP
19	TJRS
02	TJRJ
05	TJBA
04	TRFs (01-06 conforme região)

Mencione o tribunal detectado no relatório.

4. Oferecer próximos passos

Depois do relatório, pergunte ao usuário se quer algum destes:

1. Extrair peças específicas em arquivos separados (petição inicial, contestação, réplica, decisão, sentença) — use --target-pages quando souber o range
2. Reprocessar em JSON com bounding boxes: lit parse ... --format json — útil quando a saída vai alimentar um agente/LLM ou extração estruturada
3. Screenshots de páginas para inspeção visual: lit screenshot <pdf> --pages "1,3,5" -o ./screenshots
4. Buscar termos no .txt gerado (valores, datas, nomes) — use Grep direto
5. Abrir no VS Code: code "<caminho.txt>"

Opções avançadas (quando o padrão não for suficiente)

Situação	Flag
PDF só com texto nativo (sem scans) — parse mais rápido	--no-ocr
Scan de baixa qualidade (letras borradas)	--dpi 300
Só algumas páginas	--target-pages "1-10,45,80-90"
Texto em rodapé/carimbo muito pequeno sumindo	--preserve-small-text
Documentos com texto em ângulo (assinaturas digitalizadas)	remover --skip-diagonal-text se estiver setado
OCR errando em português	--ocr-language por (exige modelo Tesseract por)
Lote de vários PDFs de um mesmo processo	lit batch-parse <dir> <out-dir> --extension .pdf --recursive

Particularidades do Windows

Caminhos

• No Git Bash (shell padrão usado pela skill), use aspas duplas e barras normais:

  lit parse "C:/Users/marco/processos/0000001-23.2025.8.06.0203.pdf" ...
  

• Barras invertidas \ funcionam dentro de aspas duplas, mas misture com cuidado
• Espaços no caminho exigem aspas

PowerShell (alternativa)

Se o usuário pedir PowerShell explicitamente:

lit parse "C:\Users\marco\processos\0000001-23.2025.8.06.0203.pdf" --format text -o "C:\Users\marco\processos\0000001-23.2025.8.06.0203.txt"

A sintaxe das flags do lit é idêntica; só muda o shell ao redor.

Abrir resultado

code "<caminho.txt>"      # VS Code
notepad "<caminho.txt>"    # Bloco de Notas (fallback)

Troubleshooting

Sintoma	Causa provável	Ação
lit: command not found	CLI não instalado ou fora do PATH	npm i -g @llamaindex/liteparse, reabrir shell
OCR travando em uma página específica	Página com imagem gigante ou corrompida	Pular com --target-pages excluindo a página
Texto em português saindo embaralhado	Tesseract sem modelo por	Instalar modelo ou usar --ocr-server-url externo
Anexo DOCX não sendo processado	LibreOffice ausente ou fora do PATH	Verificar soffice --version
Parse muito lento (>30min em 200 páginas)	DPI alto + OCR pesado	Reduzir para --dpi 150 ou desativar OCR com --no-ocr se o PDF for nativo
Saída em branco	PDF criptografado/protegido	Avisar o usuário — LiteParse não quebra senha

Formato de entrada esperado

PDFs gerados pelo PJe tipicamente contêm:

1. Capa (1 página) — texto nativo, metadados padronizados
2. Sumário de documentos (1-3 páginas) — texto nativo, tabela com Id./Data/Tipo
3. Peças anexadas — mistura de texto nativo (petições digitadas) e scans (procurações, RG, comprovantes)

O LiteParse trata essa mistura automaticamente. Páginas escaneadas aparecem nos logs como OCR on page N → Found X text items. Poucos text items (< 20) costumam indicar páginas de carimbo/assinatura com pouco conteúdo útil — normal.

Princípio de operação

Esta skill é uma casca fina sobre o CLI lit. A inteligência vem de:

1. Escolher flags adequadas ao perfil de PDF do PJe
2. Extrair e apresentar os metadados da capa padronizada de forma estruturada — isso transforma um texto bruto de 10k linhas em um resumo acionável
3. Conhecer as armadilhas de Windows (paths, shell) para não travar na parte trivial
4. Oferecer próximos passos que o usuário realmente precisa (busca, extração de peças, JSON pra agentes)

Se em algum momento o usuário quiser um comportamento que diverge — ex.: parsear um PDF que não é do PJe, ou um XLSX qualquer — use a skill genérica liteparse no lugar desta.