firecrawl/pdf-inspector

これは何？

主な機能

• 01PDFをテキストベース、スキャン画像、画像ベース、混在のいずれかに分類し、信頼度スコアを提示します。
• 02フォント情報や座標、複数段組みの読み順を考慮してテキストを抽出します。
• 03見出し、リスト、コードブロック、表を含むMarkdownにページを変換します。
• 04矩形ベースおよびヒューリスティックな表を検出し、複数ページにまたがる表にも対応します。
• 05PDFiumとONNX Runtimeを別途インストールすることで、OCRが必要なページだけにOCRを実行します。
• 06CLIツールのpdf2mdとdetect-pdfに加え、Python、Node.js、ブラウザ向けWebAssemblyのバインディングを提供します。

ユースケース

• テキストベースのPDFはOCRを省略し、スキャンページだけをOCRに送るよう、文書処理パイプラインを振り分ける。
• レポート、研究論文、請求書、財務諸表を構造化Markdownに変換する。
• サーバーとの往復通信なしに、ブラウザ上でPDFのテキスト抽出を実行する。
• ページをサンプリングしてPDFをすばやく分類し、大量のPDFコレクションをバッチ処理する。

クイックスタート

1. 1

   Pythonパッケージをインストールする

   pip install pdf-inspector
2. 2

   Rust CLIツールをインストールする

   cargo install pdf-inspector
3. 3

   CLIでPDFをMarkdownに変換する

   pdf2md document.pdf

使う前に知っておきたいこと

• !選択的OCRをオプションで利用するには、PDFiumとONNX Runtimeのライブラリを別途インストールする必要があります。
• !スキャンされたページや画像のみのページは、追加のセットアップが必要なOCRを有効にしない限り、テキストに変換されません。

トピック

よくある質問

pdf-inspector とは？

PDFがテキストベースかスキャン画像かを判定し、テキストベースのPDFをOCRなしでクリーンなMarkdownに変換するRustライブラリおよびCLI。 pdf-inspectorは、PDFの分類とテキスト抽出を行うRustライブラリです。コンテンツストリームをサンプリングして、文書をTextBased、Scanned、ImageBased、Mixedのいずれかに判定し、信頼度スコアとテキストのないページを具体的に報告します。テキストベースのPDFはローカルで抽出でき、位置情報を考慮したテキスト、複数段組みの読み順、見出し・リスト・コードブロック・表を含むMarkdownを出力できます。

pdf-inspector は無料で使えますか？ライセンスは？

pdf-inspector は MIT ライセンスのオープンソースです。商用製品で使う前にライセンス条件を確認してください。

pdf-inspector は今もメンテナンスされていますか？

活発にメンテナンス中。pdf-inspector の最終コミットは 2026年10月7日 です。

pdf-inspector は何に使えますか？

テキストベースのPDFはOCRを省略し、スキャンページだけをOCRに送るよう、文書処理パイプラインを振り分ける。 レポート、研究論文、請求書、財務諸表を構造化Markdownに変換する。 サーバーとの往復通信なしに、ブラウザ上でPDFのテキスト抽出を実行する。 ページをサンプリングしてPDFをすばやく分類し、大量のPDFコレクションをバッチ処理する。

pdf-inspector のインストール方法は？

Pythonパッケージをインストールする: pip install pdf-inspector Rust CLIツールをインストールする: cargo install pdf-inspector CLIでPDFをMarkdownに変換する: pdf2md document.pdf

pdf-inspector はどこで入手できますか？

ソースコードとインストール手順は GitHub にあります：https://github.com/firecrawl/pdf-inspector