别再给所有 PDF 用 OCR 解析:这个开源工具 200 毫秒搞定所有类型!

给大模型喂 PDF，很多人的第一步都是：转图片、跑 OCR、再把识别结果塞进知识库。

问题是，约 54% 的 PDF 本来就带着可读取的文字层。明明可以直接拿文字，却非要先拍成“照片”再识别一遍，速度慢、成本高，还可能凭空多出错字。

Firecrawl 团队最近开源的 pdf-inspector，就是专门来适应文字类型PDF和图片类型PDF的。

扫描件分流提取，别让 OCR 处理文字

pdf-inspector 是一个纯 Rust 编写的本地 PDF 检查与提取库。它不需要先渲染整份文档，而是直接分析 PDF 内部的文字操作符、字体编码和图片覆盖情况。

一份文档进来后，它会判断属于 TextBased、Scanned、ImageBased 还是 Mixed，同时给出置信度，以及具体哪些页面需要 OCR。

文字版 PDF 的本地提取，官方给出的典型耗时是约 150 毫秒，整体可在 200 毫秒内完成；而一次外部 OCR 往往要等 2–10 秒。对批量文档管线来说，这个分流省下的不只是时间，还有 GPU 和接口费用。

不只是提文字，表格、多栏和标题也能尽量还原

直接从 PDF 复制过文字的人都知道，真正折磨人的不是“有没有字”，而是阅读顺序全乱了：左栏还没读完就跳到右栏，表格挤成一长串，标题和正文混在一起。

官方还在 200 份 PDF 的 opendataloader-bench 语料上做了可复现测试。关闭 OCR、只比较本地解析器时，pdf-inspector 的综合得分是 0.875，表格得分 0.814，200 份文档整轮耗时中位数 0.470 秒。

四套接口，浏览器里也能纯本地运行

项目提供 Rust、Node.js、Python 和浏览器 WebAssembly 接口。最省事的是命令行，装好 Rust 工具链后，两行就能把 PDF 转成 Markdown：

Node.js 项目可以直接安装 npm 包：

如果是网页应用，则安装 WebAssembly 版本：

WASM 版本能在浏览器和 Web Worker 中直接解析用户选择的 PDF，文件不用上传到后端，也不需要调用外部服务。做本地知识库、隐私文档助手、网页端 PDF 转 Markdown，这一点很实用。

Python 接口目前更适合从源码构建：克隆仓库后安装 maturin，执行 maturin develop --release，随后即可调用 pdf_inspector.process_pdf()。

放在 RAG 和文档流水线最前面，正合适

pdf-inspector 最合适的位置，不是替代所有 PDF 解析方案，而是站在整个流程的入口。

文字型页面就地转成干净 Markdown，扫描页再交给 OCR；混合 PDF 则按页拆开走不同路线。后面无论接分块、向量库、RAG，还是直接喂给大模型，都能少做大量无意义的图像识别。

做文档处理、知识库或 AI Agent 的朋友，可以把它当成 PDF 管线里的“分诊台”。先花几十毫秒看清文档是什么，再决定要不要上 OCR。