PDF Inspector判断文本类型的文档处理工具

Firecrawl 开源的 PDF Inspector
可以直接处理文本型 PDF
无需 OCR
使用 Rust 编写
自动判断 PDF 类型
提取带位置信息的文字
并转换为 Markdown

该工具支持 Python
Node.js 和浏览器 WebAssembly
本地处理普通文本 PDF
通常只需 200ms 左右
官方测试显示
约 54% 的文档无需 OCR 即可处理
此外，在 200 份 PDF 的测试中
其阅读顺序和表格识别等功能表现良好
不过扫描版 PDF 仍需 OCR 处理
对于经常处理论文
报告等原生文本 PDF 的用户来说
PDF Inspector
可以有效简化工作流程

Github
firecrawl/pdf-inspector