pdf-inspector：PDF 解析的新一代 Rust 利器

一句话简介：pdf-inspector 是由 Firecrawl 团队开发的快速 Rust 库，用于 PDF 分类和文本提取，智能识别扫描版与文本版 PDF，自动输出干净的结构化 Markdown，无需 OCR 即可处理大多数日常文档。

工具概览

核心功能

1. 智能 PDF 分类（TextBased / Scanned / ImageBased / Mixed）

pdf-inspector 最核心的卖点是在约 10-50ms 内判断 PDF 类型，返回置信度分数（0.0-1.0）以及每页是否需要 OCR 的路由建议。这意味着：

• 纯文本 PDF（约占 54%）完全跳过 OCR，直接在本地解析
• 扫描件只处理需要 OCR 的页面，大幅节省计算资源
• 混合文档可分章节路由，精准控制

2. 位置感知的文本提取

提取过程保留字体信息、X/Y 坐标，并自动处理多栏排版和从左到右/从右到左的阅读顺序。这对于学术论文、报纸排版等复杂布局的 PDF 尤其重要。

3. 直接输出结构化 Markdown

pdf-inspector 能将 PDF 直接转为干净的 Markdown，支持： - H1-H4 标题（通过字号比例自动判断层级） - 有序/无序/字母列表 - 代码块（等宽字体自动识别） - 表格（矩形绘制检测 + 启发式对齐检测双模式） - 粗体/斜体、URL 链接、分页符

4. 表格检测双模式

• 矩形绘制检测：从 PDF 绘图操作中提取表格边框
• 启发式对齐检测：根据文本对齐方式推断表格结构

支持财务报表、带注脚表格和跨页续表等复杂场景。

5. 选择性 OCR 集成

对于需要 OCR 的页面，pdf-inspector 提供 PP-OCRv6 Small 模型的本地集成。关键优势是： - 默认不开 OCR 运行时，只有真正需要时才加载 - 原生 Python、Node.js 包包含 OCR 集成 - WebAssembly 版可在浏览器中运行，无需服务器往返

性能基准

在 opendataloader-bench 基准测试（200 份 PDF，OCR 禁用）中：

pdf-inspector 在综合评分、阅读顺序和表格质量三项上均领先，且速度是最快的——处理 200 份文档仅需 0.47 秒，比 PyMuPDF4LLM 快 36 倍。

适用人群

• AI 工程师：构建 RAG 系统时需要将 PDF 文档快速转为 Markdown 喂给 LLM
• 数据科学家：需要从大量 PDF 中提取表格和结构化数据进行分析
• 内容创作者：需要将学术论文、报告、技术文档转为易读格式
• 开发者工具链建设者：需要在 Python/Node.js/Rust 项目中集成 PDF 解析能力
• 对 OCR 成本敏感的用户：智能路由避免了对文本 PDF 不必要地调用 OCR API

与同类工具对比

pdf-inspector 的核心差异化在于：它是目前唯一同时兼顾高分表格质量、极速处理和智能 OCR 路由的开源方案。PyMuPDF4LLM 虽然流行但速度较慢且表格效果一般；MarkItDown 表格评分接近零；LiteParse 速度尚可但表格质量和多栏支持不如 pdf-inspector。

如何使用

Python 安装与使用

pip install pdf-inspector

import pdf_inspector

# 基础解析（不触发 OCR）
result = pdf_inspector.process_pdf("document.pdf")
print(result.pdf_type)    # "text_based" / "scanned" / "image_based" / "mixed"
print(result.markdown)    # 干净的结构化 Markdown

# 选择性 OCR（仅处理需要 OCR 的页面）
ocr = pdf_inspector.process_pdf_with_ocr("document.pdf")
print(ocr.pages_routed_to_ocr)  # 需要 OCR 的页数

Node.js 安装与使用

npm install @firecrawl/pdf-inspector

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

const pdf = readFileSync('document.pdf');
const result = processPdf(pdf);
console.log(result.pdfType);   // "TextBased", "Scanned", ...
console.log(result.markdown);  // Markdown 字符串

CLI 命令行

cargo install pdf-inspector

# 转为 Markdown
pdf2md document.pdf

# 输出 JSON（便于管道处理）
pdf2md document.pdf --json

# 带位置信息的文本项
pdf2md document.pdf --items-json

浏览器 WebAssembly

npm install @firecrawl/pdf-inspector-wasm

import init, { processPdf } from '@firecrawl/pdf-inspector-wasm';

await init();
const response = await fetch('/document.pdf');
const pdf = new Uint8Array(await response.arrayBuffer());
const result = processPdf(pdf);
console.log(result.pdfType);
console.log(result.markdown);

总结

pdf-inspector 是 Firecrawl 团队继 Crawl4AI 之后推出的又一力作。它精准地解决了一个长期痛点：如何快速、低成本地将 PDF 转为 AI 可用的 Markdown 格式。

它的核心优势归纳为三点： 1. 快：200 份 PDF 仅需 0.47 秒，比主流方案快数十倍 2. 准：综合评分 0.875，表格和阅读顺序质量最高 3. 省：智能路由只对需要 OCR 的页面调用 OCR，节省大量计算和 API 成本

无论你是构建 RAG 系统、处理批量文档，还是需要一个可靠的 PDF 解析后端，pdf-inspector 都值得一试。

推荐指数：⭐⭐⭐⭐⭐（5/5）

• 完全免费开源，MIT 许可
• 多语言绑定，Python / Node.js / Rust / WASM 全覆盖
• 性能卓越，适合生产环境大规模使用
• Firecrawl 团队持续维护，社区活跃

如果你正在寻找一款能够替代商业 PDF-to-Markdown API 的开源方案，pdf-inspector 是当前最佳选择之一。