pdf-inspector：PDF解析神器，日涨1190星

处理 PDF 文本提取，你是不是还在用又慢又贵的 OCR？Firecrawl 团队开源的这个 Rust 库，不用 OCR 就能在 200ms 内完成分类、提取、转 Markdown 一条龙，今天一夜涨了 1190 星。

📌 项目名片

🤔 它解决什么问题

做过后端或 AI 应用的同学一定遇到过这个场景：用户上传一个 PDF，你需要把里面的文字提取出来。传统做法无非两条路——

路线一：无脑上 OCR。 不管 PDF 里有没有文字，直接扔给 OCR 引擎（Tesseract、百度 OCR、Azure OCR 等），慢（2~10 秒/文档）、贵（按页计费）、还有识别误差。

路线二：用 PDF 解析库。 比如 PyMuPDF、pdfplumber，速度还行，但格式保留差——表格变乱码、排版丢失、代码块和正文糊在一起。

Firecrawl 团队在规模化处理网页和文档时发现一个关键数据：大约 54% 的 PDF 本来就是文本型的，根本不需要 OCR。于是他们用 Rust 从头写了一个轻量引擎——先快速判断 PDF 类型，文本型直接本地提取并转 Markdown，只有扫描件才路由到 OCR 服务。

这个决策直接省了一半以上的算力和成本。

✨ 核心亮点

🔍 毫秒级智能分类

10~50 毫秒判断 PDF 类型：文本型（TextBased）、扫描型（Scanned）、图片型（ImageBased）或混合型（Mixed）。还会精确告诉你「第 3、7、12 页需要 OCR」，支持按页路由而非粗暴的全有或全无。

⚡ 快得离谱的提取速度

在 200 页 PDF 的标准基准测试中，pdf-inspector 跑完全程仅 0.47 秒，比 PyMuPDF4LLM（17.1 秒）快 36 倍，比 MarkItDown（16.2 秒）快 34 倍。综合评分 0.875 在所有本地引擎中排名第一。

📝 高质量 Markdown 输出

自动识别并转换：标题层级（H1-H4，按字号比例）、表格（矩形检测+启发式对齐双模式）、代码块（等宽字体检测）、有序/无序列表、粗斜体、超链接、上下标……甚至能处理多栏布局和 RTL 文字。输出直接喂给 LLM 做 RAG，不用二次清洗。

🌐 全平台覆盖

一套 Rust 核心，四种绑定：Rust crate、Python（PyO3）、Node.js（napi-rs）、浏览器 WASM。无论你写后端服务还是前端工具，都能直接调用同一个引擎。

🪶 零外部依赖

纯 Rust 实现，无 ML 模型、无外部服务调用，唯一依赖 lopdf 做 PDF 解析。体积极小，部署零负担。

🚀 快速上手

CLI 一把梭（最快体验）

cargo install pdf-inspector
pdf2md document.pdf           # PDF → Markdown
pdf2md document.pdf --json    # JSON 输出
detect-pdf document.pdf       # 只看分类结果

Python

pip install maturin
maturin develop --release

import pdf_inspector

result = pdf_inspector.process_pdf("document.pdf")
print(result.pdf_type)    # "text_based", "scanned", etc.
print(result.markdown)    # 干净的 Markdown 文本

Node.js

npm install @firecrawl/pdf-inspector

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

const result = processPdf(readFileSync('document.pdf'));
console.log(result.pdfType);
console.log(result.markdown);

👥 适合谁

边界提醒：pdf-inspector 处理文本型 PDF 表现最佳；纯扫描件/图片型 PDF 仍需走 OCR 流程，它只负责帮你快速识别、按页路由。

💡 小结

pdf-inspector 用一个轻量的设计解决了 PDF 文本提取的大半痛点——快、准、零外部依赖，Smart Routing 的思路尤其适合大规模文档处理流水线。如果你的项目也在跟 PDF 打交道，值得去 GitHub 给它点个 star ⭐，顺便试试 pdf2md 命令，看你的 PDF 能转出多干净的 Markdown。