18.3K+ Star 开源神器!PDF 200ms 极速解析,直接砍掉一半文档处理成本

1. 成本浪费：据统计约 54% 的 PDF 自带可选中的文本层，报告、论文、发票、合同这类文档根本不需要图像识别，全量 OCR 平白消耗大量接口费用、GPU 算力；
2. 速度缓慢：云端 OCR 单页耗时 2‑10 秒，大批量文档场景下延迟会成倍放大；
3. 识别出错：OCR 有可能凭空生成错字，破坏原有表格、标题的文档结构，反而降低知识库素材质量。

• TextBased：文本型 PDF，自带文字层，直接本地提取；
• Scanned：扫描件 PDF，页面本质为图片，必须走 OCR；
• ImageBased：纯图片文档，没有任何可提取文字；
• Mixed：混合型 PDF，文档内一部分页面有文本，一部分页面为扫描图片。

1. EarlyExit（默认）：遇到第一页非文本页面就停止扫描，适合绝大多数纯文本 PDF，几百页文档几十毫秒即可判定完成；
2. Full 模式：遍历扫描全部页面，适合高精度混合型 PDF 检测；
3. Sample (n) 抽样模式：仅抽样检测指定 N 页，用于超大 PDF 文档快速预检。

• 标题层级：依靠字号相对比值聚类自动识别 H1‑H4，聚类阈值 0.5pt；
• 列表识别：支持项目符号、数字序号、字母序号三类列表；
• 代码块：检测 Courier、Consolas、Fira Code 等宽字体，自动生成代码块；
• 富文本标记：粗体、斜体、上下标、超链接自动转为 Markdown 格式；
• 文本修复：自动合并跨行断开的英文单词；
• 冗余过滤：自动剔除页码、目录引导长串圆点；
• 分页标记：输出 <!-- Page N --> 页面分割注释，开发者可在后处理自行过滤页眉页脚（当前版本暂未内置页眉页脚自动移除能力）。

1. 矩形边框检测：解析 PDF 原始绘图指令，识别表格边框线条，使用并查集算法聚合单元格；
2. 启发式对齐检测：无边框表格依靠文字坐标对齐规律，推断表格行列结构。

1. 速度断层领先：200 份文档总耗时仅 0.47 秒，对比 PyMuPDF4LLM 快约 36 倍，MarkItDown 快 34 倍；
2. 综合能力第一：综合得分、阅读顺序还原、表格识别三项指标全场第一；
3. 微小短板：标题识别得分略低于 LiteParse，属于可接受范围。

[dependencies]pdf-inspector = "0.1"

usepdf_inspector::process_pdf;fnmain() -> Result<(), Box<dynstd::error::Error>> {let result = process_pdf("document.pdf")?;println!("PDF文档类型: {:?}", result.pdf_type);if let Some(markdown)= &result.markdown {println!("解析输出Markdown:n{}", markdown);}Ok(())}

pip install pdf-inspector

pip install maturinmaturin develop --release

import pdf_inspector# 完整解析：分类+提取+转Markdownresult = pdf_inspector.process_pdf("document.pdf")print(result.pdf_type)print(result.markdown)print(result.pages_needing_ocr)# 仅预检分类，不提取文本，速度更快detect_result = pdf_inspector.detect_pdf("document.pdf")if detect_result.pdf_type == "text_based":print("文本PDF，本地提取即可")else:print(f"需要OCR页面列表：{detect_result.pages_needing_ocr}")

npm install @firecrawl/pdf-inspector

import { readFileSync } from'fs';import { processPdf } from'@firecrawl/pdf-inspector';const buffer = readFileSync('document.pdf');const result = processPdf(buffer);console.log(result.pdfType);console.log(result.markdown);

npm install @firecrawl/pdf-inspector-wasm

import init, { processPdf } from'@firecrawl/pdf-inspector-wasm';awaitinit();const response = awaitfetch('/document.pdf');const pdfBytes = newUint8Array(await response.arrayBuffer());const result = processPdf(pdfBytes);console.log(result.pdfType);console.log(result.markdown);

# 安装命令行工具cargo install pdf-inspector# PDF完整解析输出Markdownpdf2md document.pdf# JSON格式输出完整元数据pdf2md document.pdf --json# 指定页码解析，跳过不需要处理的页面pdf2md document.pdf --select-pages 1,3,5-10# 仅检测PDF类型，不提取内容detect-pdf document.pdf# 检测并开启布局分析，输出JSONdetect-pdf document.pdf --analyze --json

1. 扫描件 PDF 无能为力：本身不包含任何 OCR 识别能力，扫描图像页面必须依赖第三方 OCR（PaddleOCR、Tesseract、云端 OCR 接口）兜底；
2. 标题识别非全场最佳：跑分略低于 LiteParse，极少数文档标题层级识别可能出现偏差；
3. 双栏排版极端复杂文档偶发文字顺序错乱，仓库 Issue 已有少量反馈；
4. 中日韩特殊畸形字体解码异常：极少数加密、自定义字体 PDF 仍然会出现编码问题；
5. 超大体积、大量矢量图形 PDF 解析耗时可能上升；
6. 暂不支持页眉页脚全自动过滤，需要拿到 Markdown 结果后业务层自行后处理。

• 搭建 RAG 知识库、AI Agent 文档问答系统，每天大批量处理 PDF；
• 财报、法律合同、学术论文解析，表格文档占比较高；
• 需要浏览器端本地解析 PDF、对数据隐私敏感，文件禁止上传第三方服务器；
• 现有流水线全量调用 OCR，算力成本居高不下，想要降本提速；
• 私有化、气隙离线部署文档解析服务，无法调用外网 OCR 接口。

• 业务 PDF 绝大多数都是扫描件；
• 极度奇葩、自定义加密字体、非标准排版 PDF 占比极高。