pdf-inspector Skill：智能路由 PDF 分类提取，无需 OCR 的 Rust 利器

PDF 处理是 RAG 管道和 AI 文档解析的常见瓶颈——大部分开源方案要么慢（PyMuPDF4LLM 单次 17s），要么把扫描版 PDF 也通通送 OCR，既贵又慢。pdf-inspector 解决了这个问题：它先用 Rust 在 ~10-50ms 内判断 PDF 是文本型还是扫描型，对文本型直接本地提取并转 Markdown（200 页 corpus 仅需 0.47s），扫描版才路由到 OCR 服务。这是一个专注「智能路由」的 PDF 处理库，今日新增 1,583 stars，已进入 GitHub Trending 前列。

功能与原则

pdf-inspector 是一个 Rust 编写的 PDF 检查、分类和文本提取库，核心设计原则是「先分类再路由，避免不必要的 OCR」。整个库无 ML 模型、无外部服务依赖，单一依赖 lopdf 做 PDF 解析。

核心功能：
– 智能分类：~10-50ms 判断 PDF 类型（TextBased / Scanned / ImageBased / Mixed），返回置信度分数和逐页 OCR 路由建议
– 文本提取：带位置信息的文本提取（字体信息、X/Y 坐标），自动识别阅读顺序（含多栏和 RTL）
– Markdown 转换：标题（H1-H4）、粗体/斜体、列表、代码块、表格、URL 链接、页码过滤、断行续接
– 表格检测：双模式——PDF 绘制指令矩形检测 + 文本对齐启发式检测；支持财务报表、跨页表格
– 多语言/编码：支持 CID font、ToUnicode CMap、UTF-16BE、UTF-8、Latin-1 编码

认可度

• GitHub Star：截至 2026-08-06 约 11,200 ★（今日新增 1,583 ★，已进入 GitHub Trending）
• Fork：743
• 语言：Rust 96% + Python 1.9% + HTML 1.8%
• 维护：12 位贡献者，主力贡献者 @abimaelmartell，Firecrawl 官方支持
• 最新版本：0.2.6（2026-08-01），最后提交 Aug 6 2026（1 小时前）

Benchmark（opendataloader-bench 200 PDFs，Apple M4 Pro）：

链接

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

原作者

Firecrawl（@firecrawl）——专注网页爬取和文档处理的基础设施公司，曾推出同名热门爬虫库 firecrawl-py，累计 star 超过 30k+。pdf-inspector 是其文档处理工具链的最新成员。

介绍

传统的 PDF 处理方案有两类问题：一是把所有 PDF 都送 OCR（贵且慢），二是文本提取后丢失结构信息（表格乱了、标题没了）。pdf-inspector 从根本上重新思考了这个流程。

它将 PDF 处理分为两个阶段：检测和提取。检测阶段通过解析 PDF xref 表和内容流，在 10-50ms 内判断页面是否包含文本或图像，无需完整加载文档。这对于 300+ 页的大 PDF 也能快速出结果。检测结果包含 pages_needing_ocr 字段，精确列出哪些页需要 OCR，支持按页路由而非全量 OCR。

提取阶段对文本型 PDF 直接提取内容，重建阅读顺序（包括多栏报纸式布局），识别标题层级（H1-H4 通过字体大小比例聚类）、表格结构、代码块（等宽字体检测）、超链接等。最终输出干净的 Markdown，可直接喂给 LLM 或 RAG 管道。

benchmark 结果显示，在 200 页 PDF corpus 上，pdf-inspector 综合得分 0.875，处理速度 0.47s，是第二名 liteparse 的 1.6 倍，是传统方案 pymupdf4llm 的 36 倍以上。

特点

• Rust 原生实现：纯 Rust，无外部服务依赖，单二进制可分发，性能极高
• 智能 OCR 路由：仅对扫描版 PDF 触发 OCR，文本型本地处理，节省 80%+ 成本和延迟
• 精准表格检测：矩形检测（PDF 绘制指令）+ 启发式对齐双模式，支持跨页财务报表
• 多语言支持：CJK（中日韩）、RTL（阿拉伯/希伯来）、Latin-1 全覆盖，CMap 完整解码
• 多平台绑定：Python（PyO3）、Node.js/Bun（napi-rs）、浏览器 WebAssembly，API 统一
• 极速 benchmark：200 页 corpus 0.47s，综合质量分 0.875，排名第一
• 无 ML 模型：纯规则+统计，无模型依赖，部署简单，结果可复现

使用方法

Python 安装：

pip install maturin && maturin develop --release

Python 基本调用：

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 or None

Node.js 安装：

npm install @firecrawl/pdf-inspector

Node.js 基本调用：

import { readFileSync } from 'fs';
import { processPdf } from '@firecrawl/pdf-inspector';

const result = processPdf(readFileSync('document.pdf'));
console.log(result.pdfType);  // "TextBased", "Scanned", "ImageBased", "Mixed"
console.log(result.markdown); // Markdown string or null

CLI（PDF 转 Markdown）：

cargo install pdf-inspector
pdf2md document.pdf           # 输出 Markdown
pdf2md document.pdf --json    # JSON 输出
detect-pdf document.pdf       # 仅分类，不提取

智能路由示例（生产管道）：

pdf_type, confidence = classify_pdf("document.pdf")
if pdf_type == "text_based" and confidence > 0.8:
    result = extract_markdown("document.pdf")  # 本地快速处理
else:
    send_to_ocr_service("document.pdf")         # 仅扫描版走 OCR

使用场景与人群

适用场景：
– RAG / LLM 文档管道（研究报告、财务报表、合同）
– 规模化 PDF 处理平台（日处理量 1000+ 份）
– 文档解析 AI Agent（需要提取结构化文本）
– 知识库建设（PDF → Markdown → 向量数据库）

目标用户：
– AI 应用开发者（需要可靠 PDF 解析）
– 数据工程师（RAG 数据预处理管道）
– 研究人员（批量处理论文/报告）
– 企业文档处理平台（发票、合同、表单提取）

输入与输出案例

案例 1：文本型 PDF（财务报告）

输入：一份 50 页的文本型 PDF 财务报告（含多栏布局、表格、图表）

输出：

## 第一季度财务摘要

| 指标 | 金额（万元） | 同比增速 |
|------|-------------|---------|
| 营业收入 | 12,450 | +23.5% |
| 净利润 | 3,820 | +18.2% |

Figure 1: 2026年Q1收入趋势图 ...

处理时间：约 150ms，无 OCR 调用。

案例 2：扫描版 PDF（老旧合同）

输入：一份扫描版 PDF（300 页，每页独立图像）

输出：

{
  "pdf_type": "scanned",
  "confidence": 0.94,
  "pages_needing_ocr": [1, 2, 3, ...300],
  "markdown": null
}

系统据此将全量 300 页路由到 OCR 服务（而非尝试低效的文本提取）。

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