firecrawl/pdf-inspector

这是什么？

核心功能

• 01判断 PDF 为文本型、扫描型、图像型或混合型，并给出置信度。
• 02提取带字体信息与坐标的文本，支持多栏阅读顺序。
• 03将页面转换为包含标题、列表、代码块和表格的 Markdown。
• 04同时支持基于矩形线条和基于文本对齐的表格检测，可识别跨页表格。
• 05仅对需要识别的页面进行选择性 OCR，PDFium 与 ONNX Runtime 需单独安装。
• 06提供 Python、Node.js 与浏览器 WebAssembly 绑定，并附带 pdf2md、detect-pdf 命令行工具。

适用场景

• 在文档处理流程中分流 PDF，文本型文件跳过 OCR，扫描页面再交给 OCR。
• 将报告、论文、发票或财务报表转换为结构化 Markdown。
• 在浏览器中本地提取 PDF 文本，无需服务器往返。
• 通过采样页面快速对大量 PDF 进行分类与批处理。

快速上手

1. 1

   安装 Python 包

   pip install pdf-inspector
2. 2

   安装 Rust 命令行工具

   cargo install pdf-inspector
3. 3

   使用命令行将 PDF 转换为 Markdown

   pdf2md document.pdf

使用前须知

• !可选的选择性 OCR 需要单独安装 PDFium 和 ONNX Runtime 库。
• !除非启用 OCR（需要额外配置），扫描件或纯图像页面无法转换为文本。

标签

常见问题

pdf-inspector 是什么？

Rust 库与命令行工具，判断 PDF 是文本型还是扫描型，并将文本型 PDF 无需 OCR 转为 Markdown。 pdf-inspector 是一个用于 PDF 类型判断与文本提取的 Rust 库。它通过采样内容流，判断文档属于文本型、扫描型、图像型还是混合型，并给出置信度以及缺少文本的具体页码。文本型 PDF 可在本地完成提取，输出保留位置信息、支持多栏阅读顺序，并转换为包含标题、列表、代码块和表格的 Markdown。

pdf-inspector 可以免费使用吗？用的什么许可证？

pdf-inspector 以 MIT 许可证开源。用于商业产品前，请先确认许可证条款。

pdf-inspector 还在维护吗？

活跃维护中。pdf-inspector 最近一次提交是在 2026年10月7日。

pdf-inspector 适合用来做什么？

在文档处理流程中分流 PDF，文本型文件跳过 OCR，扫描页面再交给 OCR。 将报告、论文、发票或财务报表转换为结构化 Markdown。 在浏览器中本地提取 PDF 文本，无需服务器往返。 通过采样页面快速对大量 PDF 进行分类与批处理。

pdf-inspector 怎么安装和运行？

安装 Python 包: pip install pdf-inspector 安装 Rust 命令行工具: cargo install pdf-inspector 使用命令行将 PDF 转换为 Markdown: pdf2md document.pdf

在哪里获取 pdf-inspector？

源代码和安装说明在 GitHub 上：https://github.com/firecrawl/pdf-inspector