LiteParse 提供一个完全运行在浏览器里的 WebAssembly 包 —— 不需要服务端，也不发起云端调用。它支持 PDF 解析，以及用 JavaScript 实现的自定义 OCR 引擎。

安装

终端窗口

npm install @llamaindex/liteparse-wasm

快速开始

import init, { LiteParse } from "@llamaindex/liteparse-wasm";

// Load the WASM module
await init();

const parser = new LiteParse({
  ocrEnabled: false,
  outputFormat: "json",
});

// data is a Uint8Array (e.g. from <input type="file"> or fetch)
const bytes = new Uint8Array(await file.arrayBuffer());
const result = await parser.parse(bytes);

console.log(result.text);
console.log(result.pages[0]);

浏览器里能用的是什么

• 从 Uint8Array 输入解析 PDF（例如用 file.arrayBuffer() 从文件选择器取到字节）
• 自定义 OCR，通过 ocrEngine 回调接口（见下文）
• 文本、JSON 与 markdown 三种输出格式
• 文档复杂度，用 parser.isComplex(bytes) —— 见复杂度指南
• 各项抽取选项 —— 批注、表单字段、结构树、矢量图形等，全部可用。见抽取选项

浏览器里用不了的是什么

• 文件路径输入 —— 请改传 Uint8Array
• DOCX/XLSX/PPTX 转换 —— 需要 LibreOffice，而浏览器里没有它
• 内置 Tesseract 或 HTTP OCR —— 请改用自定义的 ocrEngine 接口
• 页面截图 —— WASM 构建不提供
• imageOutputDir —— 没有可写入的文件系统。请改用 extractImages，从结果里读字节

浏览器里的 OCR

原生 Tesseract 与 HTTP OCR 后端在 WASM 下都不可用。要用 OCR，请传入一个带 recognize 方法的自定义 ocrEngine 对象：

const parser = new LiteParse({
  ocrEnabled: true,
  ocrLanguage: "eng",
  // Use more than 1 only if the engine supports concurrent jobs.
  numWorkers: 2,
  ocrEngine: {
    /**
     * @param imageData PNG-encoded image bytes
     * @param width  rendered page width in pixels
     * @param height rendered page height in pixels
     * @param language e.g. "eng"
     * @returns array of { text, bbox: [x1, y1, x2, y2], confidence }
     */
    async recognize(imageData, width, height, language) {
      // e.g. call a Web Worker wrapping tesseract.js, or a remote OCR service
      return [
        { text: "Hello", bbox: [10, 20, 80, 40], confidence: 0.98 },
      ];
    },
  },
});

这让你可以接入任何 OCR 实现 —— 跑在 Web Worker 里的 tesseract.js、某个云端 OCR API，或任何能返回带边界框文字的东西。

LiteParse 最多同时保持 numWorkers 次 recognize 调用在进行中。某次调用结束后，LiteParse 不会等其余调用，而是直接准备并启动下一页。OCR 引擎可以把这些调用派发给 Web Worker 池，或并发的 HTTP 请求。任务乱序完成时，结果仍然归属它们各自的来源页。进行中的调用最多会在内存里持有 numWorkers 张已渲染页面的位图，因此高 DPI 文档要把该值设小一些。

在 WASM 下，PDF 解析与渲染仍是单线程的。numWorkers 默认为 1，用于限制并发 OCR 调用数。LiteParse 自己不会创建 Web Worker。若要并行处理 OCR 任务，请提供一个支持并发作业的引擎。

配置项

全部可选，命名采用 camelCase：

选项	类型	默认值	说明
ocrLanguage	string	"eng"	传给 OCR 引擎的语言代码
ocrEnabled	boolean	false	对文字稀疏的页运行 OCR。WASM 下默认关闭 —— 没有内置引擎，所以没有 ocrEngine 时它什么都不做
ocrEngine	object	—	自定义的 JS 侧 OCR 引擎（见上文）
numWorkers	number	1	最大并发 OCR 调用数
ocrFailureFatal	boolean	true	为 false 时，OCR 失败返回部分结果而不是抛错
ocrHedgeDelaysMs	number[]	[]	针对远程 ocrEngine 的请求对冲时间表
maxPages	number	1000	到该页数后停止
targetPages	string	—	例如 "1-5,10,15-20"
dpi	number	150	OCR 用的渲染 DPI
outputFormat	"json" | "text" | "markdown"	"json"	result.text 的形态。也接受 "md"。传其他值会抛错
preserveVerySmallText	boolean	false	保留通常会被过滤掉的极小文字
skipDiagonalText	boolean	false	丢弃与最近直角偏离超过 2° 的文字
cropBox	{ top, right, bottom, left }	—	从每页四边各裁掉的比例
pageOrientationCorrections	{ page, angle }[]	—	对列出的页（从 1 开始）按其内容在视口中呈现的顺时针 angle（0/90/180/270）做反向旋转
password	string	—	受保护 PDF 的密码
quiet	boolean	false	抑制进度日志
imageMode	"off" | "placeholder" | "embed"	"placeholder"	图片引用在 markdown 里的呈现方式。off 也可写作 "none"
extractLinks	boolean	true	在 markdown 里渲染 [text](url)
keepHeadersFooters	boolean	false	在 markdown 里保留滚动的页眉/页脚
emitWordBoxes	boolean	false	为每个文字项输出逐词的子框

抽取选项里的 extractImages、extractVectorGraphics、extractAnnotations、extractFormFields、extractStructureTree、extractContentBounds、extractXfaPackets、extractTextMetadata、includeComplexity 与 renderFormFields 在这里同样可用，camelCase 命名一致，默认值也都是 false。