ARTICLE · 1134821
哈哈哈,一把梭 ,1.9 万 Star pdf-inspector
嗨，我是小华同学，专注解锁高效工作与前沿AI工具！每日精选开源技术、实战技巧，助你省时50%、领先他人一步。👉免费订阅，与10万+技术人共享升级秘籍！
很多流水线一看见 PDF 就全量 OCR：报告、论文和合同明明带原生文字，也被拖进慢路径，时间和成本一起涨。
pdf-inspector 先判断文档和页面类型，再抽取原生文字；只有需要识别的页才路由 OCR，目标是更干净的 Markdown。
它不是万能还原器。扫描件、复杂版式和 OCR 运行时仍要验证；真正值得学的是先检测、再重处理。
PDF 接进知识库、RAG 或归档时，先问一句：它有没有可直接读取的文字？
Firecrawl 的 pdf-inspector 就从这里下手。截至 2026-09-25，它有约 1.9 万 Star：用 Rust 分类、提取并转 Markdown，把 OCR 限定给需要的页。
它默认区分 TextBased、Scanned、ImageBased、Mixed 四类 PDF，给出置信度和逐页 OCR 信号。原生文字 PDF 可完全不碰 OCR。
重点不是“有没有 OCR”，而是别让 OCR 变成默认惩罚。它会抽样页面判断类型；关键文件仍应核对页数、顺序和字段。
先给文档做分诊，再决定走哪条路
白板里的定位很简单：原生文字页走“提取 + Markdown”，扫描或图片页才走 OCR。它也处理 CID 字体、编码异常、多栏和两种表格检测。
Python 先跑通最小链路即可：
import pdf_inspectorresult = pdf_inspector.process_pdf("report.pdf")print(result.pdf_type) # text_based / scanned / image_based / mixedprint(result.markdown)# 需要时才启用按页 OCRocr = pdf_inspector.process_pdf_with_ocr("report.pdf")print(ocr.pages_routed_to_ocr)把 pdf_type、confidence、待 OCR 页和 Markdown 一起记下来，后续人工抽检或失败回退才有依据。
一份文档，只解析一次
核心流程是：文档只加载一次，检测和提取共用结果，再把字体、坐标、版式、列和表格送进 Markdown 转换。批量任务不必为检测和提取重复读文件。
Python、Node.js/Bun、Rust/CLI 和 Browser WASM 都能接入同一核心；浏览器路径适合原生文字 PDF 的本地预检。
项目公开的 200 份 PDF 本地解析测试中，它在列出的整体、阅读顺序、表格和速度指标上靠前；测试关闭 OCR，环境为 Apple M4 Pro。这是文本型 PDF 值得优先试的信号，不等于所有扫描件都同样好。
OCR 能力很香，但不是零配置
选择性 OCR 需要 PDFium、ONNX Runtime 和 PP-OCRv6 Small。干净文本不会加载它们；首次走 OCR 会获取并校验约 31MB 模型文件。
上线前确认三件事：
1. 依赖：PDFium、ONNX Runtime 要匹配平台；官方端到端 OCR CI 重点覆盖 Linux x64，macOS/Windows 要多测。 2. 验收：小字、旋转文字、复杂表格和混合页都应抽检；低置信页保留人工或托管回退。 3. 许可：仓库是 MIT，外部 OCR 工件有独立条款，商用前逐项复核。
值得收藏的，是“先检测再重处理”
pdf-inspector 适合原生文字 PDF 占多数、又想把 Markdown、表格和阅读顺序接进后续程序的场景。它不适合指望“一键搞定”低清扫描票据：OCR 质量和领域校验仍是核心工作。
下一篇继续拆：如何把它接在 RAG 入库前，按 confidence 和页面类型做队列、抽检与失败回退。
项目地址
https://github.com/firecrawl/pdf-inspector
推荐阅读
设计师的天塌啦！！！1k Star Editable Design
AI自动化真牛X，开源BrowserAct Skills让我彻底解放，还能这么玩！！！
爽翻天，这个开源项目，放弃使用10年的工具，让AI帮你画出「灵魂配图」！！！！！