夜雨聆风做 PDF 文档处理的人，八成踩过这个坑：不管上传的是啥，先扔进 OCR 跑一遍。
费时间、吃算力不说，原本干干净净的文字版 PDF，经过 OCR 之后反而可能多出错字、乱换行，表格也被拆得稀碎。挺冤的。
Firecrawl 团队最近开源了一个项目，叫 pdf-inspector。它干的事不复杂，但很实用：先判断 PDF 到底是文字版，还是纯扫描图片。
碰到文字版，就不绕 OCR 这条远路了，直接把内容提出来转成 Markdown。项目给出的最快速度是 200 毫秒，还会处理表格、多栏排版和标题层级，出来的结构不是一大坨纯文本。
东哥看到这种工具，第一反应不是“提取率有多玄学”，而是能不能塞进现有流水线。pdf-inspector 提供了 Python、Node.js、Rust 和浏览器端四套接口，这点挺舒服。后端服务里能接，脚本里能跑，浏览器端还能通过 WebAssembly 本地处理，不一定非得先把文件传服务器。
这个对带敏感文档的场景也有点意思，比如合同预览、内部知识库导入，至少前置识别这一步可以留在本地。
我这个老开发的毛病又犯了：文档链路最好别一上来就堆模型。先判断文件类型，再决定走文字提取、OCR 还是别的 fallback，日志也好查，出错时不至于连问题卡在哪一层都不知道。
做 RAG、知识库、PDF 转 Markdown，或者正在搭文档解析服务的，可以把它放在入口先筛一遍。扫描件继续交给 OCR，文字版直接提取，少折腾一道就是一道。
GitHub地址：firecrawl/pdf-inspector
