PDF Inspector：高效判断PDF内容，优化OCR流程
Firecrawl PDF Inspector 是一款开源的PDF分类与文本提取工具，可快速判断PDF文件是否需要OCR处理，提高文档处理效率。
Firecrawl PDF Inspector（仓库名 pdf-inspector）是 Firecrawl 开发的一款开源工具，旨在帮助用户快速判断PDF文件中的文本是否可以直接提取，从而优化OCR流程。
该工具可以读取PDF的页面结构和内容流，判断文件是否包含可直接提取的文本，并将PDF文件分类为 TextBased、Scanned、ImageBased 或 Mixed 类型，同时给出置信度分数。
在私有知识库、RAG 或批量文档处理流程中，PDF通常需要先经过文本提取，再进入切分、Embedding 或后续模型处理。如果不区分文档类型就把所有PDF都送进云端OCR或视觉模型，本身已经包含可提取文字的文件也会重复走一次识别流程，增加接口调用、处理时间和费用。
Firecrawl PDF Inspector 还支持按页面和区域决定是否需要OCR，例如一份50页的财报，前2页是扫描封面，后面48页都能正常提取原生文本，就可以只处理前2页，不需要把整份PDF再跑一遍OCR。
如何判断PDF是否需要OCR？
Firecrawl PDF Inspector 会解析 xref 表和页面树，并检查页面内容流中的文本操作符和图像操作符，通常在 10~50 毫秒内就能返回结果，将 PDF 分为 TextBased、Scanned、ImageBased 或 Mixed，同时给出 0~1 的置信度分数。
Firecrawl PDF Inspector 解析效果怎么样？基准测试与同类工具对比
Firecrawl PDF Inspector 不仅能够判断 PDF 类型，还可以处理文本的阅读顺序和版面结构，支持多栏排版、CID/Type0 字体、标题和列表识别，以及基于矩形边框和文本对齐的两种表格检测方式，提取结果可以直接转换为 Markdown。
Firecrawl PDF Inspector 如何接入？CLI、Python、Node.js 与本地 OCR
Firecrawl PDF Inspector 的核心用 Rust 编写，可以直接通过命令行使用，也提供 Python、Node.js 和浏览器 WASM 版本。只需要检测 PDF 类型或转 Markdown，不需要另外配置 OCR 服务。
CLI 命令行：
# 安装 cargo install pdf-inspector # 检测 PDF 类型并输出 JSON detect-pdf document.pdf --json # 转为 Markdown pdf2md document.pdf
Node.js：
npm install @firecrawl/pdf-inspector
import { classifyPdf } from '@firecrawl/pdf-inspector'; import { readFileSync } from 'fs'; const pdf = readFileSync('document.pdf'); const result = classifyPdf(pdf); console.log(result.pdfType); console.log(result.pagesNeedingOcr); console.log(result.confidence);
Python：
pip install pdf-inspector
import pdf_inspector result = pdf_inspector.process_pdf(