pdf-inspector 的 Rust crate 就叫 pdf-inspector，它是整个库的原生形态——其他语言绑定（Node/Python/WASM）都是它的编译产物。Rust 里用，性能是天花板。默认构建纯 Rust、无 ML 模型，唯一的 PDF 解析依赖是 lopdf。

安装

cargo add pdf-inspector

想用未发布的最新改动：

[dependencies]
pdf-inspector = { git = "https://github.com/firecrawl/pdf-inspector" }

核心 API

use pdf_inspector::{process_pdf, detect_pdf, PdfType};

fn main() -> Result<(), Box<dyn std::error::Error>> {
    // 1. 一步到位：检测 + 提取 + Markdown
    let result = process_pdf("document.pdf")?;
    println!("Type: {:?}", result.pdf_type);       // TextBased / Scanned / ImageBased / Mixed
    println!("Confidence: {:.0}%", result.confidence * 100.0);
    if let Some(markdown) = &result.markdown {
        println!("{markdown}");
    }

    // 2. 只判定类型（不提取）
    let info = detect_pdf("document.pdf")?;
    match info.pdf_type {
        PdfType::TextBased => { /* 本地直接提取 */ }
        _ => { /* info.pages_needing_ocr 告诉你哪些页要 OCR */ }
    }
    Ok(())
}

字节入口：process_pdf_mem(&bytes)，文件已在内存里时免落盘。

用 PdfOptions 精细控制

use pdf_inspector::{process_pdf_with_options, PdfOptions, ProcessMode, DetectionConfig, ScanStrategy};

// 只分析版面，不生成 Markdown
let result = process_pdf_with_options(
    "document.pdf",
    PdfOptions::new().mode(ProcessMode::Analyze),
)?;

// 自定义扫描检测策略（抽样 5 页）
let result = process_pdf_with_options(
    "large.pdf",
    PdfOptions::new().detection(DetectionConfig {
        strategy: ScanStrategy::Sample(5),
        ..Default::default()
    }),
)?;

// 只处理指定页
let result = process_pdf_with_options(
    "document.pdf",
    PdfOptions::new().pages([1, 3, 5]),
)?;

ProcessMode 三档：DetectOnly（只判定）、Analyze（分析版面不渲染）、Full（完整提取）。

CLI 工具

crate 自带两个二进制，cargo install pdf-inspector 即可拿到：

# pdf2md：PDF → Markdown
pdf2md document.pdf                 # 输出到 stdout
pdf2md document.pdf --json          # 结构化 JSON
pdf2md document.pdf --pages 1-3     # 指定页
pdf2md document.pdf --compact       # 省 token 的紧凑输出

# detect-pdf：类型判定
detect-pdf document.pdf --analyze --json

可选：OCR 能力

原生构建可通过 feature 开关接入选择性 OCR，而不引入任何推理运行时：

[dependencies]
pdf-inspector = { version = "1", features = ["vision", "model-cache"] }

• vision feature 提供 PageRenderer / OcrEngine trait 与 OcrOptions（Off / Auto / Force 路由模式）
• OCR 默认关闭——干净的处理请求永远不会触碰模型或网络
• model-cache + model-download 负责固定版本 PP-OCRv6 Small 模型的校验和验证与原子安装；离线场景可显式指定模型目录并设为 ModelDownloadPolicy::Offline

详细契约见官方 docs/rust-api.md 与 OCR 运行时指南。

小提示

• 只要类型就别调 process_pdf——detect_pdf 快一个数量级
• 大文件调低抽样页数（ScanStrategy::Sample(n)）能明显加速分类阶段
• 版本以官方 docs/rust-api.md 为准

上一页Python

下一页WebAssembly