pdf-inspector
在线解析 Demo
由 @firecrawl/pdf-inspector-wasm 驱动，拖入一份 PDF，先看类型判定，再拿 Markdown，全程在你的浏览器里完成。
把 PDF 拖到这里，或点击选择文件
解析在浏览器本地完成，文件不会上传到任何服务器
pdf-inspector
pdf-inspector 是什么
来自 Firecrawl 的开源 PDF 解析引擎，也是混合 OCR 管线的「第一道关卡」
pdf-inspector 是一个用 Rust 编写的开源库，解决的是 LLM 时代最常见的文档难题：拿到一份 PDF，先搞清楚它能不能直接提取文字，能提就本地快速提取，不能提再送去昂贵的 OCR。
它能在约 10–50ms 内给出类型判定（TextBased / Scanned / ImageBased / Mixed）和置信度分数，并精确列出哪些页需要 OCR。对占比约 54% 的原生文本 PDF，它直接在本地 200ms 内完成提取和 Markdown 转换——不加载 OCR 模型、不调用外部服务、一个字节都不上传。
单次解析，全程复用：文档只加载一次，检测、布局分析、表格识别和 Markdown 渲染共享同一次解析结果，没有重复开销。
针对真实世界的脏 PDF 做了大量工程：CID/Type0 字体通过 ToUnicode CMap 解码，中日韩内嵌 CMap；报纸式多栏自动还原阅读顺序；表格同时支持矩形框线和对齐启发式两种检测；编码损坏的页面会被标记出来，交给上层路由到 OCR。
pdf-inspector
核心能力
一条流水线上真正拿得出手的六件事
📄 文档分类
约 10–50ms 内判定 TextBased / Scanned / ImageBased / Mixed 四种类型，返回 0–1 置信度分数和逐页信号，为下游路由提供依据。
🧭 阅读顺序还原
从带位置的文本重建多栏、报纸式版面，跨栏的逻辑流保持正确，RTL（从右向左）文本同样支持。
📊 表格结构
矩形绘制操作、线网格与文本对齐启发式三路合并，还原单元格、财务报表和跨页续表。
🔤 字体解码
CID 与 Type0 字体经 ToUnicode CMap 正确解码，常见内嵌字体和字符编码有回退方案；解码损坏会被自动标记以便回退 OCR。
📝 语义 Markdown
标题（按字号比例分级）、列表、代码块、粗斜体、链接、表格、分页标记一次成型，输出对 token 友好、喂给大模型正合适。
📦 五端打包
npm、PyPI、crates.io 三渠道安装，浏览器 WASM 单线程构建无需跨域隔离，npm 包附带 TypeScript 定义与 CLI。
pdf-inspector
处理流水线
一次解析，五个阶段，直达结构化输出
检测 detector
抽样渲染页面像素，10–50ms 判定文档类型与置信度，列出需要 OCR 的页码。只关心类型？停在 detectPdf 这一层即可。
提取 extractor
按内容流拉出每个文本片段的位置、字体、字号，CID/Type0 字体走 ToUnicode CMap 解码成真正的 Unicode。
排版 layout
把碎片重组成行、段落和阅读顺序：多栏、报纸式版面自动归位，RTL 文本方向正确处理。
表格 tables
框线检测与文本对齐启发式双模式识别单元格，财务表格与跨页续表都能接上。
输出 markdown
标题、列表、表格、链接、强调、分页标记序列化成干净的 GitHub Flavored Markdown，可直接进 RAG 或微调管线。
💡 只需要类型判定做路由？用 detectPdf/detect_pdf，跳过全部提取开销。
pdf-inspector
为什么选择 pdf-inspector
跟 liteparse、opendataloader、markitdown 们放一起比，快且准
🏆 综合评分领先
官方 opendataloader-bench 基准（200 份真实 PDF）：综合得分 0.875 排名第一，表格 TEDS 0.814、阅读顺序 0.915 同样居首。
🚀 快出一个数量级
200 个文档全量跑完只要 0.470 秒——liteparse 是 0.750s，opendataloader 2.569s，pymupdf4llm 和 markitdown 都要 16s 以上。
🔒 省钱的架构设计
先分类后提取：文本型 PDF 本地直转，只有真正需要的页面才送 OCR。不装模型、不起服务，WASM 版连设备都不出。
pdf-inspector
快速上手
从第一条命令到五端 API 全掌握
pdf-inspector
常见问题解答
关于类型判定、隐私、性能与授权的常见疑问。
pdf-inspector 是什么？
pdf-inspector 是 Firecrawl 开发的开源 Rust 库，用于 PDF 分类、文本提取和 Markdown 转换。它能毫秒级判断 PDF 是文本型还是扫描型，把文本型 PDF 本地转换成干净、带位置信息的 Markdown，也是 Firecrawl 混合 OCR 管线的底层解析引擎。
四种 PDF 类型是什么意思？
TextBased（原生文本型）可以直接提取；Scanned（扫描型）和 ImageBased（图片型）需要 OCR；Mixed（混合型）部分是文本部分是图片。判定结果附置信度分数和逐页明细，会精确告诉你第几页需要 OCR。
我的文件会被上传吗？
不会。pdf-inspector 是纯本地解析：Rust/Python/Node 版在你的设备上运行；浏览器版通过 WebAssembly 在页面内完成解析，文件不会离开你的设备。本站首页的 Demo 就是这样的本地实现。
支持扫描版 PDF 吗？
网页 Demo 不含 OCR，遇到扫描件会明确提示。原生版本内置选择性 OCR（可选启用）：只把被质量检查拒绝的页面送去 OCR，其余页面照常走本地快速提取，每页还会标注内容来源（native / ocr / fused）。
解析速度有多快？
类型判定约 10–50ms，文本型 PDF 全流程在 200ms 内完成。官方 opendataloader-bench 基准里，200 份文档总耗时 0.470 秒，比次快的 liteparse 还快三成以上，比 markitdown 快 30 多倍。详见性能基准页。
跟 markitdown 相比怎么样？
同一基准下：综合得分 0.875 vs 0.589，标题识别 0.788 vs 0.000（markitdown 几乎不识别标题层级），速度更是数量级的差距。详见对比页。
开源吗？可以商用吗？
完全开源，MIT License。可以自由使用、修改、商用。仓库在 github.com/firecrawl/pdf-inspector。
可以在哪些语言里用？
Rust（pdf-inspector）、Node.js（@firecrawl/pdf-inspector）、Python（pdf-inspector）、浏览器（@firecrawl/pdf-inspector-wasm），以及随包发布的 CLI：pdf2md 和 detect-pdf。详见安装下载页。
在线体验与安装
把 PDF 拖进来，
类型和 Markdown 同时带走。
你可以在浏览器里先解析一份试试，也可以装进你的项目或服务。
毫秒级分类、多栏还原、表格识别、纯本地处理，
从今天起，别再为不需要 OCR 的 PDF 花 OCR 的钱。