Repolode
Enviar
firecrawl

firecrawl/pdf-inspector

Biblioteca de Rust y CLI que detecta si un PDF contiene texto o es escaneado y convierte los PDF con texto en Markdown limpio sin OCR.

Alternativa open source a:Adobe Acrobat

Ver en GitHubSitio web
Estrellas
19,687
Forks
1,333
Issues abiertos
250
Último commit
hace 12 días

¿Qué es?

pdf-inspector es una biblioteca de Rust para clasificar PDF y extraer texto. Muestrea los flujos de contenido para decidir si un documento es TextBased, Scanned, ImageBased o Mixed, y devuelve un nivel de confianza junto con las páginas concretas que no contienen texto. El texto de los PDF que contienen texto se puede extraer localmente, conservando la posición, el orden de lectura de varias columnas y el formato Markdown con encabezados, listas, bloques de código y tablas.

Su uso principal es dirigir los documentos: los que ya contienen texto pueden evitar los costosos servicios de OCR, y solo se envían a OCR las páginas que lo necesitan. Los usuarios de Rust nativo y CLI pueden activar el OCR selectivo mediante PDFium y ONNX Runtime, que se instalan por separado. Hay bindings para Python, Node.js y WebAssembly en el navegador; las compilaciones predeterminadas para Rust y WASM realizan únicamente extracción.

Funciones clave

  • 01Clasifica los PDF como TextBased, Scanned, ImageBased o Mixed y proporciona un nivel de confianza.
  • 02Extrae texto con información de fuentes, coordenadas y orden de lectura de varias columnas.
  • 03Convierte páginas a Markdown con encabezados, listas, bloques de código y tablas.
  • 04Detecta tablas basadas en rectángulos y heurísticas, incluidas las que continúan en varias páginas.
  • 05Ejecuta OCR selectivo solo en las páginas que lo necesitan, con PDFium y ONNX Runtime instalados por separado.
  • 06Ofrece bindings para Python, Node.js y WebAssembly en el navegador, además de las herramientas CLI pdf2md y detect-pdf.

Casos de uso

  • Dirigir un flujo de procesamiento de documentos para que los PDF con texto eviten el OCR y las páginas escaneadas se envíen a este proceso.
  • Convertir informes, artículos de investigación, facturas o estados financieros a Markdown estructurado.
  • Ejecutar la extracción de texto de PDF en un navegador sin hacer una solicitud al servidor.
  • Procesar por lotes grandes colecciones de PDF mediante el muestreo de páginas para clasificarlos rápidamente.

Inicio rápido

  1. 1

    Instalar el paquete de Python

    pip install pdf-inspector
  2. 2

    Instalar las herramientas CLI de Rust

    cargo install pdf-inspector
  3. 3

    Convertir un PDF a Markdown con la CLI

    pdf2md document.pdf

Antes de usarlo

  • El OCR selectivo opcional requiere instalar por separado las bibliotecas PDFium y ONNX Runtime.
  • Las páginas escaneadas o que solo contienen imágenes no se convierten en texto a menos que se active el OCR, lo que requiere configuración adicional.

Temas

#pdf#pdf-extraction#markdown#rust#ocr-routing#text-extraction#pdf-parser#nodejs#pdf-classification#python

Preguntas frecuentes

¿Qué es pdf-inspector?
Biblioteca de Rust y CLI que detecta si un PDF contiene texto o es escaneado y convierte los PDF con texto en Markdown limpio sin OCR. pdf-inspector es una biblioteca de Rust para clasificar PDF y extraer texto. Muestrea los flujos de contenido para decidir si un documento es TextBased, Scanned, ImageBased o Mixed, y devuelve un nivel de confianza junto con las páginas concretas que no contienen texto. El texto de los PDF que contienen texto se puede extraer localmente, conservando la posición, el orden de lectura de varias columnas y el formato Markdown con encabezados, listas, bloques de código y tablas.
¿pdf-inspector es gratuito? ¿Qué licencia tiene?
pdf-inspector es open source bajo la licencia MIT. Revisa los términos de la licencia antes de usarlo en productos comerciales.
¿pdf-inspector sigue mantenido?
Mantenimiento activo. El último commit de pdf-inspector fue el 7 oct 2026.
¿Para qué puedo usar pdf-inspector?
Dirigir un flujo de procesamiento de documentos para que los PDF con texto eviten el OCR y las páginas escaneadas se envíen a este proceso. Convertir informes, artículos de investigación, facturas o estados financieros a Markdown estructurado. Ejecutar la extracción de texto de PDF en un navegador sin hacer una solicitud al servidor. Procesar por lotes grandes colecciones de PDF mediante el muestreo de páginas para clasificarlos rápidamente.
¿Cómo se instala pdf-inspector?
Instalar el paquete de Python: pip install pdf-inspector Instalar las herramientas CLI de Rust: cargo install pdf-inspector Convertir un PDF a Markdown con la CLI: pdf2md document.pdf
¿Dónde consigo pdf-inspector?
El código fuente y las instrucciones de instalación están en GitHub: https://github.com/firecrawl/pdf-inspector

Resumen generado por IA a partir del README del proyecto. Las estadísticas de GitHub se actualizan a diario.

Proyectos relacionados