在 0.47 秒内完成 200 份 PDF 的解析、分类和 Markdown 转换——无需 OCR、无需 ML 模型纯 Rust 实现。这就是 firecrawl/pdf-inspector 能做的事。读完本文你将了解PDF 智能分类的原理 | 文本提取与表格检测的工程实现 | 多语言绑定的使用方式 | 与 PyMuPDF/MarkItDown 等竞品的横向对比 这个项目解决什么问题54% 的 PDF 是文本型 PDF不需要 OCR 就能提取内容。但长期以来PDF 解析领域缺乏一个快速、准确、轻量的统一工具——要么太慢PyMuPDF4LLM 需要 17 秒要么太差MarkItDown 表格完全不可用。pdf-inspector 用 Rust 在 0.47 秒内处理 200 份 PDF整体准确率 0.875表格检测 TEDS 分数 0.814同时支持 Python / Node.js / WebAssembly 三种语言绑定。 快速上手环境要求Rust 1.70 或 Python 3.8 / Node.js 18无需任何外部模型或 OCR 服务Python 安装pipinstallpdf-inspector一行调用importpdf_inspector resultpdf_inspector.process_pdf(document.pdf)print(result.pdf_type)# text_based, scanned, image_based, mixedprint(result.markdown)# 提取的 Markdown 文本Node.js 安装npminstallfirecrawl/pdf-inspectorimport{processPdf}fromfirecrawl/pdf-inspector;import{readFileSync}fromfs;constresultprocessPdf(readFileSync(document.pdf));console.log(result.pdfType);// TextBased, Scanned, ImageBased, Mixedconsole.log(result.markdown);// 提取的 Markdown浏览器端 WebAssemblynpminstallfirecrawl/pdf-inspector-wasmimportinit,{processPdf}fromfirecrawl/pdf-inspector-wasm;awaitinit();constresponseawaitfetch(/document.pdf);constpdfnewUint8Array(awaitresponse.arrayBuffer());constresultprocessPdf(pdf);console.log(result.pdfType);console.log(result.markdown);CLI 工具# 转换为 Markdownpdf2md document.pdf# JSON 输出管道友好pdf2md document.pdf--json# 仅检测 PDF 类型detect-pdf document.pdf# 检测 布局分析detect-pdf document.pdf--analyze--json# 指定页处理pdf2md document.pdf --select-pages1,3,5-10⚙️ 技术原理核心流程单文档加载 双路径共享pdf-inspector 最大的工程亮点是只解析一次文档分类和提取共享解析结果避免了冗余 I/OPDF 文件读取解析 PDF 文档对象检测器 Detector提取器 Extractor分类结果 PdfType 置信度 逐页 OCR 路由字体分析内容流分析多栏检测布局分析表格检测矩形启发式双模式Markdown 生成标题/列表/代码块/表格智能分类机制分类器通过内容流采样在 10-50ms 内判断 PDF 类型TextBased有完整的文本内容流置信度 0.9Scanned只有图像无文本内容流ImageBased嵌入图片 少量文本Mixed部分文本 部分扫描页分类器返回全局 PDF 类型置信度分数0.0-1.0逐页 OCR 路由建议——告诉调用者哪些页需要 OCR哪些可以直接提取文本提取与 Markdown 转换标题识别基于字体大小比率H1-H4无需 NLP纯排版特征判断。列表识别项目符号、编号列表、字母列表——基于文本对齐和缩进模式。代码块检测等宽字体自动检测嵌入 Markdown 代码围栏。链接与分页自动识别 URL插入!-- Page N --分页标记。表格检测双模式策略PDF 绘制操作矩形检测Union-Find 合并相邻矩形文本对齐模式启发式检测列对齐 行间距模式表格识别网格分配行列对应 → 单元格Markdown 表格输出矩形检测从 PDF 底层绘制操作drawing ops提取矩形通过 Union-Find 合并相邻矩形形成表格网格启发式检测基于文本对齐、列间距、行间距识别表格支持财务表格、脚注、跨页续表CID 字体与编码处理支持 ToUnicode CMap 解码覆盖 Type0/Identity-H、UTF-16BE、UTF-8、Latin-1。当检测到字体编码损坏时自动标记该区域让调用者可以回退到 OCR。多栏布局自动检测报纸式多栏排版确定正确的阅读顺序支持 RTL从右到左文本。️ 架构分析项目结构pdf-inspector/ ├── src/ │ ├── lib.rs # 核心库入口 │ ├── detector.rs # PDF 类型分类器 │ ├── extractor.rs # 文本提取引擎 │ ├── layout.rs # 多栏布局检测 │ ├── tables.rs # 双模式表格检测 │ ├── markdown.rs # Markdown 生成器 │ └── fonts.rs # CID 字体处理 ├── python/ # Python 绑定 ├── napi/ # Node.js NAPI 绑定 ├── wasm/ # WebAssembly 构建 ├── benches/ # 性能基准测试 └── docs/ # 文档设计哲学纯 Rust无 ML 依赖所有算法基于排版特征和结构分析无需加载模型文件单次解析共享状态避免重复 I/O提升速度渐进式精度轻量分类器先行确定需要 OCR 的页才调用重型处理多目标编译Rust 原生 Python FFI Node.js NAPI WebAssembly一套代码四种部署方式性能基准对比在 opendataloader-bench 标准测试集200 份 PDF上的对比引擎综合得分阅读顺序 NID表格 TEDS标题 MHS处理速度pdf-inspector0.8750.9150.8140.7880.470sliteparse0.8730.9130.6930.8110.750sopendataloader0.8310.9020.4890.7392.569spymupdf4llm0.7350.8860.4010.42417.117smarkitdown0.5890.8440.2730.00016.165spdf-inspector 在表格检测上领先第二名 17%整体速度比 PyMuPDF4LLM 快 36 倍。✅ 优缺点 适用场景优势速度极致200 份 PDF 仅 0.47 秒比竞品快 5-36 倍表格检测强TEDS 分数 0.814远超竞品轻量无依赖纯 Rust无 ML 模型无外部 API多语言覆盖Python / Node.js / WASM / Rust CLI浏览器可用WebAssembly 版本支持浏览器端 PDF 解析局限仅支持文本型 PDF扫描型 PDF 需搭配 OCR 使用纯 Rust 生态无 Java / Go / C# 原生绑定仍在快速迭代API 可能不稳定表格检测对复杂嵌套表格仍有局限适用场景RAG 管道中的文档预处理跳过 54% 不需要 OCR 的 PDF财务、法律、学术文档的批量提取浏览器端 PDF 预览与搜索离线文档处理无网络需求总结pdf-inspector 代表了 PDF 解析领域一个新的工程范式用纯结构分析替代 ML 模型在速度和精度上同时取得优势。如果你的场景涉及文本型 PDF 的批量处理这是一个值得纳入技术栈的优秀工具。收藏本文在构建 RAG 系统或文档处理管道时可以直接参考这里的性能基准和选型建议。关注作者获取开源工具深度分析和实战指南。评论区聊聊你在使用 PDF 解析时遇到过哪些坑欢迎分享。