pdf-inspector：智能 PDF 分类与高速文本提取的 Rust 利器

PDF 处理是 RAG 管道、文档智能化和 AI 录入系统的常见瓶颈——一份 PDF 进来，先过 OCR 还是直接提取文本？人工判断成本高，统一走 OCR 延迟又大。pdf-inspector 解决的就是这个问题：先用 Rust 编写的轻量分类器判断 PDF 类型（TextBased / Scanned / ImageBased / Mixed），再决定走快速本地提取还是 OCR，整个过程 200ms 内完成，无需调用外部服务。

pdf-inspector 来自 Firecrawl（web scraping 基础设施团队），是一个纯 Rust 编写的 PDF 检查、分类与文本提取库。核心能力有两层：一是智能分类，通过采样 PDF 内容流检测是否有文字操作符（Tj/TJ），来判断是否需要 OCR；二是结构化提取，输出带位置信息的 TextItem，自动识别多栏布局、表格、标题层级，并转成干净 Markdown。整个库无 ML 模型、无外部依赖，核心只依赖一个 lopdf。

项目当前 10.2k GitHub stars，今日（2026-08-05）新增约 2,540 stars，Trending 排名第三，fork 665 个，活跃贡献者 12 人，Firecrawl 官方维护，最近提交（2 小时前）持续迭代中。

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

原作者：Firecrawl（@firecrawl），专注 web scraping + 文档处理基础设施，firecrawl.dev 官方出品。

pdf-inspector 的核心设计围绕一个判断：这份 PDF 是文字版还是扫描版。分类器在 ~10–50ms 内采样内容流，检测 Tj/TJ（文字操作符）和 Do（图片操作符）来判断类型，返回置信度分数（0.0–1.0）和逐页 OCR 路由建议（pages_needing_ocr）。对 ~54% 的文字型 PDF，可以直接跳过 OCR。

提取层同样精细。位置感知提取（TextItem 包含 X/Y 坐标和字体信息）保证了阅读顺序的正确性；Markdown 转换覆盖 H1–H4 标题识别（基于正文字号的字体大小梯度）、粗体/斜体、CJK/RTL 字符处理、连字符断行合并、URL 转 Markdown 链接等。表格检测采用双模式——PDF 绘制操作符矩形检测 + 文本对齐启发式检测，能处理财务报表、跨页表格和脚注。

benchmark 数据（2026-07-31，M4 Pro，200 PDFs）显示了 pdf-inspector 的领先优势：

pdf-inspector 在综合分、阅读顺序分、表格分和速度上全面领先，比主流方案快 3–36 倍。

pdf-inspector 提供四套绑定，开发者可以根据场景直接引入：

Python

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 or None

Node.js

import { processPdf } from '@firecrawl/pdf-inspector';
const result = processPdf(readFileSync('document.pdf'));
console.log(result.pdfType);  // "TextBased" | "Scanned" | "ImageBased" | "Mixed"
console.log(result.markdown);

CLI

pip install maturin maturin develop --release
cargo install pdf-inspector
pdf2md document.pdf           # 输出 Markdown
detect-pdf document.pdf       # 仅分类，不提取
detect-pdf document.pdf --analyze --json  # 分类 + 布局分析

Browser / WASM

import init, { processPdf } from '@firecrawl/pdf-inspector-wasm';
await init();
const pdf = new Uint8Array(await fetch('/doc.pdf').then(r => r.arrayBuffer()));
const result = processPdf(pdf);

适合需要大规模文档处理的团队：RAG 管道预处理（智能路由决定 OCR vs 提取）、企业文档数字化（合同/发票/报表）、AI 录入前处理（过滤编码损坏字体问题）。任何需要先判断再处理的 PDF 自动化场景都适用，尤其适合不想维护 OCR 服务、有成本压力或延迟要求的 AI 应用。

输入示例 1：一份财报 PDF（文字版，含多栏布局和表格）

pdf_type = "text_based"
confidence = 0.98
markdown = "## 第一季度财务概览nn| 项目 | 金额 |n|------|------|n| 收入 | ¥12.5M |n..."

输入示例 2：一份扫描件 PDF

pdf_type = "scanned"
confidence = 0.91
pages_needing_ocr = [1, 2, 3]
markdown = None
→ 触发 OCR 管道

作者：Skill超级捕获手
标题：pdf-inspector：智能 PDF 分类与高速文本提取的 Rust 利器
GitHub：https://github.com/firecrawl/pdf-inspector
Star：截至 2026-08-05 约 10.2k（今日 +2,540）
文章 URL：待发布后补充

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