pdf-inspector：Firecrawl开源PDF智能分类与Markdown提取工具，支持OCR分流

PDF 解析工具这几年明显多了起来。表面上看，把 PDF 转成文字只是读取文件；但实际处理时会遇到各种复杂情况：有的 PDF 可以直接复制文字，有的来自扫描仪，还有的则是文本页与图片页混合的“多面手”。如果所有 PDF 不加以区分、直接进入 OCR 流程，处理时间和调用成本都会被明显拉高——问题是，很多原生文本型 PDF 本身就带着可提取的文字内容。

pdf-inspector 所关注的，正是 PDF 进入后续处理流程之前的识别与解析环节。

它是 Firecrawl 开源的一款 Rust PDF 处理库，能够先判断 PDF 类型，再提取文本，并将内容转换成 Markdown。项目支持 Rust、Python、Node.js、浏览器 WebAssembly 以及命令行工具。

截至目前，GitHub 项目页面显示该仓库已经获得 15.1K Star。

pdf-inspector 支持识别四类 PDF：文本型、扫描型、图片型和混合型。检测结果还会返回置信度，以及需要进一步交给 OCR 处理的页面信息。对于文本型 PDF，项目可以在本地完成文本提取和 Markdown 转换；对于需要 OCR 的页面，开发者可以根据检测结果把这些页面交给其他 OCR 工具处理。

pdf-inspector 本身并不负责 OCR 识别。它要做的，是判断当前 PDF 的类型与页面状态，为后续流程提供分流依据。这种思路很适合报告、研究论文、发票、法律文件等 PDF 批处理场景。

核心亮点

智能分类

pdf-inspector 会采样 PDF 内容流，在约 10 至 50 毫秒内完成类型检测。检测支持文本型、扫描型、图片型和混合型四类 PDF，并返回 0.0 到 1.0 的置信度评分，以及逐页 OCR 路由信息。

文本提取与版式识别

项目支持带位置信息的文本提取，可以保留字体信息和 X、Y 坐标，并自动处理多栏文本的阅读顺序。对于报纸式多栏布局，pdf-inspector 能够识别栏位关系、整理文本顺序，同时还支持从右到左的文本内容。

Markdown 转换

pdf-inspector 可以把 PDF 内容转换成 Markdown。它支持 H1 至 H4 标题、项目符号列表、数字列表、字母列表、代码块、表格、粗体、斜体、URL 链接和页面分隔。标题依据字体大小比例判断，代码块通过等宽字体识别，表格则结合矩形区域和启发式方法处理。

表格与字体处理

表格检测支持双模式：既可以根据 PDF 绘制操作中的矩形区域识别，也可以基于文本对齐关系做启发式检测。字体方面，项目支持 Type0 和 Identity-H 字体的 ToUnicode CMap 解码，以及 UTF-16BE、UTF-8 和 Latin-1 编码。对于财务表格、脚注和跨页表格，也有相应的处理支持。

编码检测与单次解析

pdf-inspector 会自动标记异常或损坏的字体编码，方便调用方切换回 OCR 流程。另外，PDF 文档只会解析一次——检测阶段与文本提取阶段共享解析结果，从而减少重复 I/O 操作。

多环境运行

项目提供 Python、Node.js、Rust 和浏览器 WebAssembly 版本，也支持命令行运行。浏览器侧的 WebAssembly 版本可以在浏览器和 Web Worker 中本地运行 Rust 解析器，内置 CMap，不需要把 PDF 文件传输到服务器。整个项目使用纯 Rust 编写，不依赖机器学习模型和外部服务，仅使用 lopdf 完成 PDF 解析。

基准测试

项目 README 给出了基于 opendataloader-bench 的测试结果。语料包含 200 份 PDF，只对比本地解析工具，测试过程中未启用 OCR。

从结果来看，pdf-inspector 在整体得分、阅读顺序和表格处理三个指标上表现都比较突出——它更适合看重处理速度、阅读顺序和表格结构的原生文本型 PDF。测试结果更新于 2026 年 7 月 31 日，环境为 Apple M4 Pro。

适用场景

批量 PDF 处理

如果应用需要持续接收报告、合同、论文或发票，可以先用 pdf-inspector 对文件分类，再分别送进本地文本提取、OCR 或人工复核流程。

RAG 知识库构建

pdf-inspector 可以将原生文本型 PDF 转成结构化 Markdown，适合作为 RAG 知识库构建流程中的前置解析工具。当然，后续还需要根据实际项目完成文本切分、向量化、检索和问答等步骤。

文档搜索与内容整理

对于企业报告、技术文档和研究资料，保留标题、列表、表格和阅读顺序，有助于后续搭建文档搜索系统。

本地化文档处理

项目使用纯 Rust 实现，不依赖机器学习模型和外部服务。浏览器 WebAssembly 版本能够在本地处理 PDF 文件，适合对数据传输安全有要求的应用。

Rust、Python 和 Node.js 项目

开发者可以根据现有技术栈选择接入方式：Python 项目使用 pdf_inspector，Node.js 项目安装 @firecrawl/pdf-inspector，Rust 项目通过 Cargo 添加依赖，浏览器项目则使用 WebAssembly 版本。

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

如果你也在做 PDF 解析或文档管道相关的工作，不妨试试这套分流思路。也欢迎到云栈社区分享你的落地经验。