夜雨聆风前阵子我做 RAG 知识库，踩过最离谱的一个坑，是把所有 PDF 都当成扫描件，一股脑送去 OCR。
慢、贵，出来的文本还经常串行。后来我才搞明白，问题不在 OCR 引擎，而在我根本没先弄清楚：手里的 PDF，到底是不是扫描件。
先说结论
pdf-inspector，Firecrawl 开源的一个 Rust 库，只做一件小事，但极关键：在 OCR 之前，先给每一页 PDF 分类，判断它到底是纯文本、扫描件、图片型，还是混合型。
它能在 10 到 50 毫秒内给出判断，纯文本页直接走原生提取，跳过昂贵的 OCR。Firecrawl 给出的数据是，大约 54% 的 PDF 其实根本不需要 OCR。
把这个库塞进 RAG 流水线最前面当" OCR 前置"，能替你省掉一大半无谓的识别开销。下面我把它的用法和接法讲清楚。
OCR 为什么是个坑
绝大多数 PDF 处理流水线，都做了一个错误的假设：把每一页都当成可能是扫描件，于是全部丢进 OCR。
这会带来三个麻烦。
第一是慢。OCR 要渲染图片、跑视觉模型，一页几百毫秒起步，长文档按小时算。
第二是贵。很多 OCR 服务按页收费，几百页文档跑下来，账单比文档本身还值钱。
第三，也是最容易被忽略的：纯文本 PDF 强行走 OCR，识别质量反而经常不如直接从 PDF 内部结构里抽取的文字，阅读顺序乱、表格错位，喂给大模型就是一锅粥。
我自己的体会是，RAG 知识库出问题，十次有六次不是模型不行，是喂进去的文档本身就是乱的。源头没洗干净，后面怎么调 prompt 都救不回来。
pdf-inspector 怎么分类
它的核心思路很聪明：不渲染、不调模型，只分析 PDF 的内部结构，比如字体编码、文本操作符、图片覆盖率，几毫秒就能判断这一页到底是什么类型。
它把 PDF 分成四类。
TextBased，纯文本型，文字本来就躺在文件里，直接抽。
Scanned，扫描件，整页都是图，必须上 OCR。
ImageBased，图片型，和扫描件类似，内容以图像为主。
Mixed，混合型，一份文档里既有文字页也有扫描页，需要逐页路由。
每一页它还会返回一个置信度分数，以及"这一页该走哪条路"的建议。纯文本页直接原生提取，只有扫描或图片密集的页才进 GPU 和 OCR。
最关键的数字在这里：本地处理一份纯文本 PDF，它能在 200 毫秒以内完成，而且完全不依赖任何外部服务。它最新版本 v0.1.7 是 2026 年 7 月 31 号发的，目前 GitHub 星标已经破 1.3 万，每月下载量在 1.3 万次上下。
接进 RAG 流水线的正确姿势
用法不复杂，因为纯 Rust、无 ML 模型、唯一的外部依赖只是一个叫 lopdf 的 PDF 解析库，所以 Python 和 Node 也都有官方绑定。
Rust 项目里，先加依赖：
cargo add pdf-inspector
只想做分类、不提取文字，用 detect_pdf：
use pdf_inspector::detect_pdf;
let info = detect_pdf("document.pdf")?;
println!("{:?}", info.pdf_type); // TextBased, Scanned, ImageBased, Mixed要连文字一起抽，用 process_pdf，它会直接给你 Markdown。
不想写代码，装个命令行工具也行：
cargo install pdf-inspector detect-pdf document.pdf --analyze --json
我的建议是，在把 PDF 灌进知识库之前，先用它跑一遍分类。纯文本的，直接抽文字进切片；只有被标成 Scanned 或 ImageBased 的页，才送去 OCR。一份 200 页的报告，如果有 150 页是纯文本，那 150 页就完全不用碰 GPU。
它真正解决的是什么
Firecrawl 自己就用这个库撑起了 Fire-PDF 这个托管解析引擎。官方说相比上一版流水线，快了 3.5 到 5.7 倍，平均一页不到 400 毫秒。
但我觉得对普通做 RAG 的人来说，它最大的价值不是快，是"该省的地方省"。
现在的 RAG 教程，十个有八个教你换更好的切分策略、换更强的嵌入模型。很少有人提醒你：先把文档里那些本来就是文字的部分，用最便宜的方式取出来。这一层做对了，后面的检索质量天然就高一块。
谁该用，谁先别急
如果你在搭知识库、做文档问答、跑 Agent 要读 PDF，这个库值得马上试。尤其是文档量大、扫描件和文字版混着来的场景，省下的 OCR 开销肉眼可见。
如果你只是偶尔转一份 PDF，那直接用 Firecrawl 的 /parse 接口或者现成工具就够了，它背后本来就在用 pdf-inspector，你等于白嫖了这层路由，不用自己接。
我个人判断，这类"前置分类"会慢慢变成 RAG 流水线的标准第一脚。就像做菜先洗菜，没人会把带泥的菜直接下锅。OCR 本身是贵且慢的操作，能不碰就不碰，才是正经的工程思路。
以上，既然看到这里了，如果觉得不错，随手点个赞、在看、转发三连吧，
如果想第一时间收到推送，也可以给我个星标～
谢谢你看我的文章，我们，下次再见。
/ 作者：恒叔AI实战
