Firecrawl PDF Inspector：智能识别 PDF 文本，提升文档处理效率
Firecrawl PDF Inspector 是一款开源工具，能快速判断 PDF 是否需要 OCR，并高效提取文本转为 Markdown，适用于 RAG 与批量文档处理，显著降低 OCR 成本。
为何 RAG 流程需要先判断 PDF 是否需 OCR？
在处理私有知识库、RAG 或批量文档时，PDF 通常需先提取文本，再进行切分、Embedding 等操作。但企业研报、电子合同、发票等文件中，许多是由 Word、LaTeX 等直接导出的原生文本 PDF，已包含可提取的文字和版面信息，无需先转图片再 OCR。
Firecrawl 自身数据显示，其 PDF 数据中约 54% 无需 OCR 即可直接提取文本。不同业务文档来源差异大，但此比例说明并非所有 PDF 都值得先跑 OCR。Firecrawl PDF Inspector 正是将这一判断前置：对能可靠提取文字的 TextBased 页面直接本地解析为 Markdown；对 Mixed、Scanned、ImageBased 等缺乏可靠文本层的页面，再交由 OCR 处理。
Firecrawl PDF Inspector 如何判断 PDF 是否需要 OCR？
pdf-inspector 无需预渲染整份 PDF，而是直接读取其页面结构和内容流，判断是否存在可提取文本。
四种 PDF 类型与置信度
通过解析 xref 表和页面树，检查内容流中的文本操作符（如 Tj/TJ）和图像操作符（Do），通常在 10-50 毫秒内返回结果，并分类为 TextBased、Scanned、ImageBased 或 Mixed，同时给出 0 到 1 的置信度分数。
按页面和区域精细控制 OCR
分类结果会返回需要 OCR 的具体页码。例如，一份 50 页的财报，若前 2 页为扫描封面，后 48 页为原生文本，则只需对前 2 页进行 OCR，无需整份处理。
Node.js 版本提供 extractTextInRegions() 接口，允许指定页面区域提取文本，并通过 needsOcr 标记提取结果不可靠的区域（如文本为空、乱码或字体编码异常）。后续 OCR 仅需处理这些区域，而非整页。
检测时支持四种扫描策略： - EarlyExit（默认）：遇到第一个非纯文本页面即停止，用于快速判断文档类型。 - Full：扫描全部页面，用于区分 Mixed 和 Scanned 文档。 - Sample(n)：均匀抽取若干页面检查，适合页数极多的 PDF。 - Pages(vec)：仅检查指定页面，适合已知目标页面的场景。
解析效果如何？基准测试与同类工具对比
pdf-inspector 不仅判断类型，还处理文本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，以及两种基于矩形边框和文本对齐的表格检测方式，提取结果可直接转为 Markdown。
项目 README 提供了 opendataloader-bench 测试结果，涵盖 200 份 PDF，对比对象为未启用 OCR 和模型解析的本地 PDF 引擎。数据更新于 2026 年 7 月 31 日，测试设备为 Apple M4 Pro，取 5 次运行中位数。
如何接入？CLI、Python、Node.js 与本地 OCR
pdf-inspector 核心用 Rust 编写，支持命令行、Python、Node.js 和浏览器 WASM。仅需检测类型或转 Markdown 时，无需额外配置 OCR 服务。
CLI、Node.js、Python 的使用方式如下（示例代码略）：
默认安装主要利用 PDF 自带文本和结构信息，不加载 OCR 模型。若需处理扫描页面，可在 Rust/CLI 版本中启用 ocr feature：
启用后，pdf-inspector 使用 PP-OCRv6 Small 处理被分流到 OCR 的页面，而非整份 PDF。OCR 版本还需 PDFium、ONNX Runtime 等依赖，部署稍复杂。
适用场景与限制
pdf-inspector 适合原生文本 PDF 与扫描页混合的文档库，如批量处理合同、研报、论文、发票或知识库资料。若文档来源单一，建议先用样本测试，评估是否值得增加此层判断。
使用注意事项： - 复杂扫描件可能仍需更强 OCR：对于模糊、倾斜、老化的扫描文件，即使启用本地 OCR，效果仍受限于文档质量，必要时可接其他 OCR 服务或视觉模型。 - 网页版 Demo 主要供体验：官方 WASM 演示面向原生文本 PDF，单文件限制 25MB，大文件或完整 OCR 流程建议使用本地库或 CLI。 - 数据隐私取决于后续 OCR 方式：分类和原生文本提取可在本地完成；若调用云端 OCR，则对应页面数据会进入第三方服务。 - 特殊环境需检查兼容性：Python 和 Node.js 已提供主流平台预编译包，但未覆盖的平台或受限 Serverless 环境可能需要自行编译或处理原生依赖。
如果每天需处理大量来源不同的 PDF，尤其是原生文本与扫描件混合的情况，pdf-inspector 可先筛出可直接解析的页面，减少 OCR 请求。若资料基本为纯扫描档案，该分类层带来的节省有限。