夜雨聆风给大模型喂 PDF，很多人的流程是：上传、OCR、抽文字，再丢进 RAG。
但这里有个挺浪费的地方——大约 54% 的 PDF 本身就是文字版，内容流、字体、坐标都在，压根不需要 OCR。结果还是排队调用识别服务，慢不说，还多一笔费用。
Firecrawl 团队开源的 pdf-inspector，就是专门卡在这一步。
它会先判断 PDF 属于文字版、扫描版、图片版还是混合版，分类通常只要 10～50 毫秒。碰到文字版，直接本地提取，转成 Markdown，整个处理可控制在 200 毫秒内，不走 OCR，也不用外部服务。
表格、多栏排版、标题层级、列表、代码块、粗体链接这些，它也会顺手处理。尤其是论文、财报、合同那种两栏 PDF，阅读顺序搞错一次，后面切 chunk、做召回全跟着乱，这地方比“能不能提取文字”麻烦多了。
好家伙，接口也给得挺全：Python、Node.js、Rust，还有浏览器 WebAssembly。前端直接塞一个 PDF 就能跑，不用为了这点功能再搭个后端服务。
东哥看到这类工具，第一反应不是 Markdown 漂不漂亮，而是遇到混合页面、损坏字体怎么办。它会按页标记哪些内容需要 OCR，正好可以做一层路由：能直接读的本地处理，真扫出来的页面再扔给 OCR。
做知识库、文档解析、上传预处理的朋友，可以把它放在入口先筛一遍。别管后面接的是 MinerU、Docling 还是视觉模型，先把不该 OCR 的 PDF 拦下来，省的都是实打实的延迟和调用费。
GitHub：firecrawl/pdf-inspector
