firecrawl/pdf-inspector

Что это?

Ключевые возможности

• 01Классифицирует PDF как текстовые, сканированные, состоящие из изображений или смешанные и рассчитывает оценку уверенности.
• 02Извлекает текст, сохраняя информацию о шрифтах и координатах, а также порядок чтения в нескольких колонках.
• 03Преобразует страницы в Markdown с заголовками, списками, блоками кода и таблицами.
• 04Обнаруживает таблицы по прямоугольникам и с помощью эвристик, в том числе таблицы, продолжающиеся на следующих страницах.
• 05Запускает выборочный OCR только для страниц, которым он нужен; PDFium и ONNX Runtime устанавливаются отдельно.
• 06Предоставляет биндинги для Python, Node.js и WebAssembly в браузере, а также CLI-инструменты pdf2md и detect-pdf.

Сценарии использования

• Настройка маршрутизации в конвейере обработки документов: текстовые PDF пропускают OCR, а сканированные страницы отправляются на распознавание.
• Преобразование отчётов, научных статей, счетов и финансовых отчётов в структурированный Markdown.
• Извлечение текста из PDF в браузере без обращения к серверу.
• Пакетная обработка больших коллекций PDF с быстрой классификацией по выборке страниц.

Быстрый старт

1. 1

   Установить пакет Python

   pip install pdf-inspector
2. 2

   Установить инструменты CLI для Rust

   cargo install pdf-inspector
3. 3

   Преобразовать PDF в Markdown с помощью CLI

   pdf2md document.pdf

Что важно знать

• !Для использования выборочного OCR необходимо отдельно установить библиотеки PDFium и ONNX Runtime.
• !Отсканированные страницы и страницы, содержащие только изображения, не преобразуются в текст, если не включить OCR. Для этого потребуется дополнительная настройка.

Темы

Частые вопросы

Что такое pdf-inspector?

Библиотека на Rust и CLI для определения, содержит ли PDF текст или сканы, и преобразования текстовых PDF в чистый Markdown без OCR. pdf-inspector — библиотека на Rust для классификации PDF и извлечения текста. Она анализирует выборку потоков содержимого, чтобы определить, относится ли документ к типу TextBased, Scanned, ImageBased или Mixed, и возвращает оценку уверенности вместе со списком страниц без текста. Текстовые PDF можно обрабатывать локально: извлекать текст с учётом его расположения и порядка чтения в нескольких колонках, а также получать Markdown с заголовками, списками, блоками кода и таблицами.

pdf-inspector можно использовать бесплатно? Какая у него лицензия?

pdf-inspector распространяется с открытым исходным кодом под лицензией MIT. Перед использованием в коммерческих продуктах проверьте условия лицензии.

pdf-inspector всё ещё поддерживается?

Активно поддерживается. Последний коммит в pdf-inspector — 7 окт. 2026 г..

Для чего можно использовать pdf-inspector?

Настройка маршрутизации в конвейере обработки документов: текстовые PDF пропускают OCR, а сканированные страницы отправляются на распознавание. Преобразование отчётов, научных статей, счетов и финансовых отчётов в структурированный Markdown. Извлечение текста из PDF в браузере без обращения к серверу. Пакетная обработка больших коллекций PDF с быстрой классификацией по выборке страниц.

Как установить pdf-inspector?

Установить пакет Python: pip install pdf-inspector Установить инструменты CLI для Rust: cargo install pdf-inspector Преобразовать PDF в Markdown с помощью CLI: pdf2md document.pdf

Где скачать pdf-inspector?

Исходный код и инструкции по установке — на GitHub: https://github.com/firecrawl/pdf-inspector