正在打开每日关注
正在打开每日关注
开源 Rust 库将 PDF 分类、提取并转成结构化 Markdown，支持浏览器 WebAssembly 与按页 OCR。
¡Qué pasada de proyecto! pdf-inspector parsea PDFs de más de 200 páginas en medio segundo. Lo transforma en un Markdown fácil de consumir. Es de código abierto y puede funcionar en el navegador: → https://t.co/e720ExvU6m https://t.co/cYYM59BoGY
是什么
pdf-inspector 是 Firecrawl 开源的 Rust PDF 检查、分类与文本提取库，把原生文本 PDF 转成结构化 Markdown，并区分 TextBased、Scanned、ImageBased、Mixed。仓库有 16,861 stars，提供 Python、Node.js、CLI 和浏览器 WebAssembly 绑定。
架构与核心设计
输入先由探测器扫描内容流中的文本和图像操作，再由提取器解析字体、内容流、XObject 与链接；布局层负责多栏阅读顺序，随后做表格检测和 Markdown 转换。文档只加载一次并共享给检测与提取；EarlyExit、Full、Sample、Pages 策略配合按页 OCR 路由，避免无谓的全量处理。
值得借鉴
它把 PDF 转换拆成版面分析、结构识别和格式化阶段，同时保留位置、字体、编码与页级来源信息。README 基准在 200 份 PDF、关闭 OCR 的条件下，总体得分 0.875、阅读顺序 0.915、表格 0.814，速度指标为 0.470 秒；浏览器 WASM 让字节留在本地，适合隐私敏感的文档入口。
边界与风险
它最适合原生文本 PDF；扫描、图像或 Mixed 文档需要验证 OCR 效果。原生 OCR 入口依赖外置 PDFium、ONNX Runtime 与模型文件，现有基准不能代表 OCR 能力。截图里的上传区、深色输出面板和 Copy Markdown 主要是演示交互，核心价值仍来自解析引擎。