PDF智能体检仪：5秒内判断PDF是否可复制，自动提取结构化文本与Markdown

你是否经常遇到这样的困扰：上传一份PDF，却不知道它到底是“能复制文字”的电子文档，还是“只能看不能选”的扫描图片？传统PDF解析工具要么强行OCR（慢、贵、易出错），要么直接报错放弃——而pdf-inspector就像一位经验丰富的PDF医生：不打开全文、不调用OCR，仅用毫秒级采样就能精准“把脉”PDF类型，并一键输出带格式的纯文本、结构化Markdown甚至表格。它专为开发者设计，让PDF处理从“碰运气”变成“有依据”。

核心功能

• 秒级智能分类：10–50ms内准确识别PDF是纯文本型、扫描图像型、纯图型或混合型，并返回0.0–1.0置信度分数，自动标记每页是否需要OCR——帮你省下54%不必要的OCR费用
• 位置感知文本提取：不仅提取文字，还保留原始X/Y坐标、字体大小/粗细/斜体信息，智能还原多栏排版、图文混排的真实阅读顺序
• 语义化Markdown生成：自动识别标题层级（H1–H4）、列表（编号/字母/符号）、代码块（检测等宽字体）、超链接、页面分隔符，输出可直接用于文档系统或AI提示词的干净Markdown
• 无OCR表格理解：基于矩形框分析+启发式规则，无需图像识别即可提取表格结构（支持合并单元格推断），对发票、报表、学术论文表格效果出色
• 全平台开箱即用：提供Rust原生库、Python包（pip install）、Node.js模块（npm install）及浏览器WebAssembly版本，服务端、桌面脚本、前端应用均可无缝集成
• 极致轻量高效：Rust编写，单文件解析平均耗时<200ms，内存占用低，适合高并发文档预处理场景，如AI知识库构建、合同自动化审阅、教育资料批量入库

适合哪些人用

这款工具特别适合：AI应用开发者（为RAG系统预筛PDF质量）、文档自动化工程师（构建合同/发票/论文处理流水线）、科研与教育工作者（批量转译教材PDF为可编辑笔记）、前端工程师（在浏览器中实时解析用户上传的PDF并预览结构）、以及任何厌倦了“一上传就卡顿、一解析就乱码”的PDF处理体验的技术决策者。

快速上手

安装极其简单，按需选择语言生态：

• Python用户：执行 pip install pdf-inspector，5行代码完成分类+Markdown导出
• Node.js用户：运行 npm install @firecrawl/pdf-inspector，支持ESM/CommonJS，API简洁如inspect(pdfBuffer).then(result => console.log(result.markdown))
• 浏览器前端：引入WASM版本，无需后端，用户上传即分析，隐私敏感场景的理想选择
• Rust项目：添加 pdf-inspector = "0.8" 到Cargo.toml，享受零拷贝高性能解析

所有版本共享同一套智能逻辑，结果一致，文档齐全（含中文示例），新手10分钟即可跑通首个PDF分析任务。

项目信息

编程语言：Rust｜GitHub Star 数：7911｜开源协议：MIT｜GitHub 项目地址

由Firecrawl团队开源，已在生产环境支撑每日百万级PDF智能路由，是当前中文社区最值得信赖的轻量级PDF“智能预检”方案。