pdf-inspector:别一上来就 OCR,很多 PDF 根本不需要

给大模型喂 PDF，很多人的流程挺粗暴：文件进来，先整页转图片，再跑 OCR。

能用，但费钱、慢，还可能把原本好好的文字识别错。尤其表格、代码、双栏论文，跑完经常顺序乱成一锅粥。

Firecrawl 最近开源了一个 pdf-inspector，干的就是 PDF 流程里那个经常被忽略的前置判断：这份文件到底是文字版、扫描版、图片版，还是混合型？

它不靠模型，也不用先渲染页面，而是直接分析 PDF 内部的字体、文本操作符和图片覆盖情况。分类通常只要 10～50ms。确认是文字版后，就直接抽取内容并转成 Markdown，官方称本地处理可以控制在 200ms 内。约 54% 的 PDF 本来就不需要 OCR，这一步省下来的 GPU、接口费用和等待时间，量大时挺可观。

输出也不是简单扒一坨纯文

本。标题层级、列表、粗体、链接、代码块都能处理，还带表格检测和多栏阅读顺序恢复。这里东哥会多瞅一眼——做 RAG 时，文字少丢几个不算完，顺序抽错了，后面切 chunk、做召回全跟着歪。

它的核心是 Rust，提供 Python、Node.js、Rust 接口，浏览器端还能通过 WebAssembly 本地运行，不必为了上传一个 PDF 再单独搭后端服务。

当然，扫描件还是得交给 OCR。pdf-inspector 更适合放在入口：先分类，能原生提取的直接走快速通道，真需要识别的页面再送 OCR。做知识库、合同解析、论文导入或者文档 Agent，这个小组件挺顺手。

Github：Firecrawl / pdf-inspector。