pdf-inspector Skill：Rust 写的 PDF 解析神器，0.47 秒完成文本抽取

PDF 文档处理是 RAG 流水线的常见瓶颈——传统方案要么用 OCR 拖慢速度（MarkItDown 17 秒/份），要么表格结构全丢失，要么把扫描件当图片硬转。Firecrawl 开源的 pdf-inspector 用纯 Rust 实现，绕过 OCR 走内容流解析，在 opendataloader-bench 基准评测中拿下综合 0.875 分、阅读顺序 0.915 分、表格 0.814 分，中位耗时仅 0.47 秒，是当前最快的地方端 PDF 解析方案。

pdf-inspector 解决的核心问题是”智能路由”：先用轻量分类（约 10–50ms）判断 PDF 是纯文本型、扫描型、图文混合还是混合型，对纯文本型直接跳过 OCR，对扫描型才建议走 OCR 管线——避免对 54% 不需要 OCR 的文档白花延迟和成本。

核心能力矩阵

• 智能分类：10–50ms 内判断 TextBased / Scanned / ImageBased / Mixed，附置信度分数和逐页 OCR 路由建议
• 文本提取：带坐标感知，支持字体信息、X/Y 位置、多栏自动检测（含报纸式分栏）、RTL 文本顺序
• Markdown 转换：按字体大小比推 H1–H4 级标题，自动识别粗体/斜体/代码块/列表/表格/url
• 表格检测：双模式（PDF 绘图指令矩形检测 + 启发式对齐检测），能处理财务表、含脚注表格、跨页延续表
• 无外部依赖：纯 Rust，不含 ML 模型，纯本地运行，支持 Python/Node.js/WebAssembly 绑定

评测数据（opendataloader-bench，200 份 PDF，2026-07-31 Apple M4 Pro）：

GitHub：https://github.com/firecrawl/pdf-inspector

作者是 Firecrawl（firecrawl/dev）团队，专注网页数据采集与结构化，主仓库 firecrawl/firecrawl 是知名开源爬虫方案。

pdf-inspector 由 Rust 实现，核心逻辑基于 lopdf 做 PDF 内容流解析，不依赖任何外部机器学习服务。文档稀疏字段（如 CID 字体）内置 ToUnicode CMap 解码，支持 UTF-16BE / UTF-8 / Latin-1 自动降级。

安装（Python）

pip install maturin
maturin develop --release

核心调用

import pdf_inspector

result = pdf_inspector.process_pdf("document.pdf")
print(result.pdf_type)     # "text_based" | "scanned" | "image_based" | "mixed"
print(result.markdown)      # Markdown string 或 None（扫描件返回 None）
print(result.confidence)    # 0.0–1.0 置信度

使用场景与人群

• RAG / 知识库工程师：对报告、论文、财务 PDF 做向量化，需要干净的 Markdown 而非 OCR 乱码
• 数据标注团队：批量预处理发票、合同、调研问卷，保留表格结构
• AI 应用开发者：在 Agent pipeline 里做 PDF 路由判断（是否需要走 OCR）
• 法律 / 金融从业者：处理跨页大型表格（财报、判决书），要求版式不走形

输入输出案例

案例 1：财报 PDF
– 输入：一份 50 页含 12 张表格的年报 PDF（text_based 类型）
– 输出：约 10 秒完成，吐出的 Markdown 包含 H1–H4 标题层级、表格结构（Markdown 表格格式）、代码块（若有）、页内跳转链接

案例 2：扫描件 PDF
– 输入：一份影印版 30 页合同（image_based）
– 输出：pdf_type = "image_based"，confidence = 0.91，markdown = None，建议路由到 OCR 管线——避免白跑解析浪费时间

GitHub: https://github.com/firecrawl/pdf-inspector