pdf-inspector 新手指南30秒识别PDF类型本地快速提取文本转Markdown【免费下载链接】pdf-inspectorFast Rust library for PDF inspection, classification, and text extraction. Intelligently detects scanned vs text-based PDFs to enable smart routing decisions.项目地址: https://gitcode.com/GitHub_Trending/pdf/pdf-inspectorpdf-inspector 是一款基于 Rust 的 PDF 检查工具几十毫秒内判断一份 PDF 是文本型、扫描型、图片型还是混合型并在本地把内容提取成干净的 Markdown全程无需调用 OCR 服务。先别急着上 OCR拿到 PDF 该先做什么想象一下这个场景你从客户、论文库或网站上一口气拿到一叠 PDF想批量转成文本喂给下游流程。最稳妥也最笨的做法是全部丢给 OCR——一次几秒到十几秒而且对本来就是文本的 PDF 纯属浪费。更聪明的做法是先花几十毫秒看一眼这份 PDF 里到底有没有真实文本有就直接本地提取没有的再单独送去做 OCR。这正是 pdf-inspector 想解决的问题。它不是又一个重型解析库而是一个轻量的 Rust PDF 工具先快速分类再决定走哪条路。很多文档流水线因此把它当作PDF 路由的第一道闸。能力速览一张表看懂这个 PDF 检查工具维度表现说明PDF 类型识别4 种类型文本型text_based、扫描型scanned、图片型image_based、混合型mixed判断耗时10–50ms抽样扫描内容流即可300 多页的大 PDF 也是毫秒级本地处理文本型 PDF 200ms文档只加载一次检测与提取共享解析结果综合准确率0.875基于 200 份文档的公开基准测试核心能力4 项PDF 文本提取、PDF 转 Markdown、表格检测、多列布局识别语言绑定3 种Python、Node.js、浏览器 WebAssembly除了类型和文本它还顺手处理不少脏活按字号比例推断 H1–H4 标题识别有序/无序列表与代码块用矩形加文本对齐双通道检测出的表格会被格式化成标准 Markdown 表格甚至能自动还原多栏报纸式版面的阅读顺序。三步跑起来一条命令安装首次提取 PDF 文本第一步一键安装Python 用户最省事pip install pdf-inspectorNode.js 对应npm install firecrawl/pdf-inspector浏览器端则是npm install firecrawl/pdf-inspector-wasm。想从源码构建 Python 包先装 maturin再执行maturin develop --release即可。第二步首次运行准备任意一个 PDF用 Python 调用import pdf_inspector result pdf_inspector.process_pdf(document.pdf) print(result.pdf_type) # text_based / scanned / image_based / mixed print(result.markdown) # 提取出的 Markdown第三步看懂输出pdf_type告诉你这份文档该走哪条路markdown就是可直接使用的 PDF 转 Markdown 结果提取不到文本时为 None。Node 侧传入的是字节对象WASM 侧同理但要先初始化——这些细节放在进阶部分说。进阶玩法按需取页、坐标定位、浏览器本地跑30秒识别PDF类型顺便问一句要不要 OCR如果只想知道类型而不想提取全文可以用快速检测detection pdf_inspector.detect_pdf_type(document.pdf)返回里除了pdf_type还有 0–1 之间的confidence置信度以及最重要的needs_ocr——它直接回答这份 PDF 是否需要 OCR。对混合型文档你还能拿到具体哪些页缺文本方便按页路由。只处理指定页省一半时间大文档不必整份处理。process_pdf支持pages参数0 索引比如只取前三页就是pages[0, 1, 2]适合先看目录、再决定要不要全文转换。拿到文本坐标做高亮与定位需要知道每段文字在页面上的位置时调用extract_text_items能取回带text、x、y、font_name字段的条目做批注高亮、跨系统对齐都很方便。浏览器里本地跑文件不上传WASM 版本把同一套 Rust 解析器搬进了浏览器await init()初始化后fetch拿到 PDF 字节转成Uint8Array传给processPdf即可全程不出本机也没有服务器往返。完整示例见 wasm/README.md。数据背书200 份文档测出来的成绩表格里的数字不是拍脑袋来的来自公开基准 opendataloader-bench 的 200 份 PDF 语料本地引擎、关闭 OCR、分数越高越好引擎综合分阅读顺序表格标题200 份耗时pdf-inspector0.8750.9150.8140.7880.470sliteparse0.8730.9130.6930.8110.750sopendataloader0.8310.9020.4890.7392.569spymupdf4llm0.7350.8860.4010.42417.117smarkitdown0.5890.8440.2730.00016.165s几个关键数字值得记住类型判断 10–50ms文本型 PDF 本地完整处理不到 200ms综合准确率 0.875——对比中它同时拿到最高的综合分、阅读顺序分、表格分以及最快的整库跑完时间。另一个实用结论是真实语料里约 54% 的 PDF 根本不需要 OCR先用它分流就能省下这部分时间和费用。测试环境、版本与复现方法见 基准测试说明。资源导航从文档到源码Python API 参考process_pdf、detect_pdf_type等全部接口Node.js 绑定说明processPdf、classifyPdf的用法浏览器 WASM 指南初始化与字节传入流程Rust API 文档库级别调用与选择性 OCR基准测试 与 OCR 运行时说明示例脚本可直接参考的最小用法测试样例 PDF20 多份真实文档拿来试手很方便需要读源码的话仓库地址是git clone https://gitcode.com/GitHub_Trending/pdf/pdf-inspector。下一步装上它把手边第一份 PDF 喂给process_pdf看看它给你的类型判断和 Markdown——30 秒内你就会有答案。【免费下载链接】pdf-inspectorFast Rust library for PDF inspection, classification, and text extraction. Intelligently detects scanned vs text-based PDFs to enable smart routing decisions.项目地址: https://gitcode.com/GitHub_Trending/pdf/pdf-inspector创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考