Firecrawl PDF Inspector - Firecrawl 官方开源 PDF 解析引擎

Firecrawl PDF Inspector（仓库名 pdf-inspector）是 Firecrawl 开源的高性能 PDF 解析引擎：用 Rust 编写，能在约 10–50ms 内判断一份 PDF 是文本型、扫描型还是混合型，并把文本型 PDF 在本地 200ms 内转换成干净、带位置信息的 Markdown。源码在 github.com/firecrawl/pdf-inspector，MIT 协议，本站（pdf-inspector.wiki）就是它的中文官网。

它和 Firecrawl 是什么关系？

pdf-inspector 不是"碰巧来自 Firecrawl"的独立项目，而是 Firecrawl 官方 PDF 处理链路的底层引擎：

层级	是什么	在哪
pdf-inspector	开源 PDF 分类与解析引擎（本页主角）	github.com/firecrawl/pdf-inspector，可完全本地运行
Firecrawl Parse	托管版解析 API，规模化场景含 OCR，免运维	firecrawl.dev/parse
AnyDoc	姊妹开源项目：14 种办公格式转 Markdown，PDF 路径由 pdf-inspector 驱动	github.com/firecrawl/anydoc · anydoc.wiki

三个项目同期发布，见 Firecrawl 官方公告。npm 上的 @firecrawl scope（@firecrawl/pdf-inspector、@firecrawl/pdf-inspector-wasm、@firecrawl/anydoc）都属于这条产品线。

一句话：自己部署、要精细控制 → 用开源的 pdf-inspector；要托管、要 OCR、要规模化 → 用 Firecrawl Parse；混合办公文档 → 用 AnyDoc。

为什么 Firecrawl 要造它？

OCR 又慢又贵，但 Firecrawl 在处理海量网页转文档时发现：约 54% 的 PDF 根本不需要 OCR——文字就藏在内容流里，直接提取又快又准还免费。pdf-inspector 的设计哲学就是"先分类后提取"：

分类：抽样渲染页面像素，毫秒级判定 TextBased / Scanned / ImageBased / Mixed，附置信度和需要 OCR 的页码；
提取：文本型直接本地转换——多栏还原、表格识别、CID 字体解码一次完成；
路由：只有真正需要的页面才送 OCR，把成本花在刀刃上。

核心能力速览

毫秒级分类：10–50ms 判定四类文档类型 + 0–1 置信度 + 逐页 OCR 路由信号；
区域感知提取：每个文本片段带 X/Y 坐标、字体、字号，支持按包围盒提取；
版面还原：报纸式多栏阅读顺序重建，RTL 文本正确处理；
表格结构化：框线检测 + 文本对齐启发式双模式，跨页续表可拼接；
语义 Markdown：标题按字号分级、列表、链接、代码块，输出 GFM、token 友好。

在官方 opendataloader-bench 基准（200 份真实 PDF）中综合评分 0.875 排名第一，速度 0.470s/全量最快——完整数据见性能基准。

怎么上手 Firecrawl PDF Inspector？

场景	最快路径
先在线试试	首页在线 Demo：拖入 PDF，本地解析，免费无限制
命令行批量	`cargo install pdf-inspector` 后 `pdf2md 文件.pdf`，详见安装页
代码集成	Node.js / Python / Rust / 浏览器 WASM 五端，见快速上手
看源码 / 报 Issue	GitHub 仓库指南

Node.js

const { processPdf } = require('@firecrawl/pdf-inspector')

const result = await processPdf('report.pdf')
console.log(result.pdfType)    // "TextBased"
console.log(result.markdown)   // 干净的 GFM Markdown

Python

from pdf_inspector import process_pdf

result = process_pdf("report.pdf")
print(result.pdf_type)     # "text_based"
print(result.markdown)

CLI

detect-pdf report.pdf      # 只看类型判定
pdf2md report.pdf -o report.md   # 转 Markdown

常见问题

Firecrawl PDF Inspector 免费吗？

开源版完全免费，MIT 协议，无调用次数限制，可商用；本站在线 Demo 同样免费且文件不上传。Firecrawl 的托管 Parse API 是付费云服务，按量计费，适合不想自己运维的团队。

firecrawl pdf inspector 和 Firecrawl 爬虫是一回事吗？

不是。Firecrawl 主产品是网页抓取与解析平台；pdf-inspector 是它开源出来的 PDF 解析引擎，可以脱离爬虫独立使用——装在本地，只处理你喂给它的 PDF 文件。

支持扫描版 / 中文 PDF 吗？

扫描版内置选择性 OCR（可选启用，仅对质量检查拒绝的页送 OCR）；中文等 CJK 文本没问题——CID/Type0 字体经 ToUnicode CMap 解码，WASM 版还内嵌了中日韩 CMap。先用在线检测看看你的文件属于哪类。

它和 AnyDoc 什么关系？

姊妹项目。AnyDoc 负责 Word、PPT、Excel 等 14 种办公格式统一转 Markdown，其中 PDF 路径就是调用 pdf-inspector。只处理 PDF 用 pdf-inspector 更轻，混合格式用 AnyDoc，详见 AnyDoc 介绍页。