200ms 出结果：pdf-inspector 的 PDF 类型检测与文本提取快速上手

200ms 出结果：pdf-inspector 的 PDF 类型检测与文本提取快速上手

【免费下载链接】pdf-inspectorFast Rust library for PDF inspection, classification, and text extraction. Intelligently detects scanned vs text-based PDFs to enable smart routing decisions.项目地址: https://gitcode.com/GitHub_Trending/pdf/pdf-inspector

pdf-inspector 是一个 Rust 写的 PDF 检查库，先判断文档是文本型还是扫描型，再决定要不要走 OCR。这篇文章只解决一件事：拿到一份 PDF，怎么最快判断它能直接提取还是得上 OCR。几个数字先放这：本地处理一份文本型 PDF 不到 200ms，类型判断本身只要 10～50ms。装完包，下面的代码都能直接跑。

🧭 它是什么：先给 PDF 做体检，再决定走哪条路

说白了，pdf-inspector 回答两个问题：这份 PDF 里的字是真文本还是图片？如果是真文本，能不能按版面直接抽出来？抽完它顺手转成 Markdown，标题、列表、表格、代码块都保留结构，不是平铺的一团字。

放到场景里就是：一份 200 页的财报，判断类型只要几十毫秒；确认是文本型后，本地抽完加转换也就一两百毫秒，文件不用上传任何 OCR 服务。项目方的统计里约 54% 的 PDF 根本不需要 OCR，这个库的价值就是帮你省下这部分时间和钱。在 200 份文档的公开基准里，它综合得分 0.875，是五个参评本地引擎中最高的。

📦 一行命令装好，两行代码跑起来

前置条件

Python 3.8+ 或 Node.js 就行；Python 和 Node 都有预编译包，覆盖 Linux、macOS、Windows，不用装 Rust 工具链。

安装

三种环境各一行，按需挑：

pip install pdf-inspector # Python npm install @firecrawl/pdf-inspector # Node.js npm install @firecrawl/pdf-inspector-wasm # 浏览器 WebAssembly

第一次运行

跑通最小闭环：类型判断加 Markdown 提取。

import pdf_inspector r = pdf_inspector.process_pdf("document.pdf") print(r.pdf_type) # "text_based" / "scanned" / ... print(r.markdown[:60]) # Markdown 开头

预期先打印出类型，比如text_based，再打印一段 Markdown 开头。到这一步就算跑通了。

⚡ 三个最常用的能力

快速检测 PDF 类型（只判断，不提取）

不抽正文，只读页面内容流，10～50ms 出结果，还附带置信度和缺文本的页码。

d = pdf_inspector.detect_pdf("document.pdf") print(d.pdf_type, d.confidence) # "text_based" 0.95 print(d.pages_needing_ocr) # [1, 3]，1 起始页码

批量处理前先过这道筛子：文本型直接本地抽，扫描型才送去 OCR。

只处理指定页面

大文档只关心几页时，把页码传进去（0 起始），其余页面根本不解析。

r = pdf_inspector.process_pdf("document.pdf", pages=[0, 1, 2]) print(r.page_count, r.markdown[:60])

300 页的 PDF 只想看前几页，传[0, 1, 2]就够了。

提取带坐标的文本

每段文字带 X/Y 坐标、字体名和字号，加粗、斜体也有布尔标记。

items = pdf_inspector.extract_text_with_positions("document.pdf") print(f"'{items[0].text}' at {items[0].x:.0f},{items[0].y:.0f} {items[0].font}")

做版面分析、或者要把文字对回渲染出的页面图片上，用这个。

🔧 进阶：扫描件也能救

按需 OCR：干净的页不碰 OCR 运行时

碰到扫描件，别整份丢给 OCR 服务。pdf_inspector.process_pdf_with_ocr("scan.pdf")默认 auto 模式：能从 PDF 结构抽出来的页走本地，质量不过关的页才渲染出来跑本地 PP-OCRv6，每页都有来源和置信度记录。干净的文本型 PDF 连 PDFium、ONNX Runtime 都不会加载，更不会下载模型；需要外部库时的配置方法见 OCR 运行时文档。

不想写代码的话，仓库还带两个命令行工具：pdf2md把 PDF 转 Markdown，支持--json、--select-pages 1,3,5-10；detect-pdf只做检测。按区域提取文字（extract_text_in_regions）和浏览器端用法，分别看 napi/README.md 和 wasm/README.md。

📚 延伸阅读

• Python API 全量参考
• Node.js 绑定与 API
• 性能基准与对比方法
• Rust API 说明

到这里，装包、跑通、类型检测、按页提取和带坐标文本都走了一遍，扫描件那关也知道入口在哪。下一步可以拿一份自己的扫描版 PDF，把process_pdf_with_ocr跑起来，看看按页路由的实际效果。

【免费下载链接】pdf-inspectorFast Rust library for PDF inspection, classification, and text extraction. Intelligently detects scanned vs text-based PDFs to enable smart routing decisions.项目地址: https://gitcode.com/GitHub_Trending/pdf/pdf-inspector