pdf-inspector 开源项目

pdf-inspector 是什么？

pdf-inspector 是 Firecrawl 团队出品的纯 Rust PDF 智能解析与分类库，定位是 RAG 和 Agent 文档摄取层的前置路由器。它不是又一个通用 PDF 解析器，而是先把 PDF 分成文字型（TextBased）、扫描型（Scanned）、图片型（ImageBased）、混合型（Mixed）四类，并保留字体坐标，再判断哪些页面真正值得送 OCR，从而把算力花在刀刃上。整个流程不依赖大模型、不调用外部服务，输出 LLM-ready 的 Markdown，性能远超 Python 系方案。它曾冲上 GitHub Trending 总榜，是 PDF-to-LLM 赛道里少见的硬核 Rust 实现。

核心功能

• 低延迟分类：先把每页归到 Text/Scanned/Image/Mixed 四类，决定后续处理路径。
• 字体坐标保留：尽量按正常阅读顺序还原文本，多栏布局也不乱。
• 表格结构识别：结合表格边框与文本对齐，支持财务表、脚注与跨页表，输出 Markdown 表格。
• 智能 OCR 路由：约一半 PDF 是文字型，直接原生提取；只有扫描页才进 GPU OCR。
• LLM-ready 输出：可输出 Markdown 或结构化 JSON，直接喂给知识库或大模型。
• 多形态接入：提供 Rust 库、Node/Bun 包、Python 绑定、CLI 与 WebAssembly 版本。

版本/套餐对比

项目 MIT 开源、可自托管，无 SaaS 套餐；若需要 OCR 与规模化，可使用 Firecrawl 托管的 /parse API（按 credits 计费）。

值不值得用？

如果你在做 RAG、知识库或 Agent 的文档摄取，pdf-inspector 非常值得。纯 Rust 让它单文档毫秒级完成，且因为只在必要时 OCR，成本和时间都显著低于无脑全量 OCR 的方案。对隐私敏感、不想把文件传外部 API 的场景尤其合适。

使用建议

• 先本地跑 CLI 验证分类与提取质量，再集成到摄取流水线。
• 文字型为主的文档直接原生提取，省掉 OCR 开销。
• 极端复杂版式（如特殊财务报表）抽取后做一次人工抽检。

适合谁用？（三档）

• 重度用户：做企业知识库/RAG 的团队，把它当文档摄取前置。
• 中度用户：个人开发者处理论文、财报、法律文件转 Markdown。
• 轻度用户：偶尔需要把 PDF 转成干净文本的用户，WebAssembly 版即可。