PDF 预处理利器 pdf-inspector：200ms 识别文字版并转换为 Markdown（Firecrawl 开源）

Firecrawl 开源的 pdf-inspector 能自动识别 PDF 是文字版还是扫描版，文字版直接提取为结构化 Markdown，最快仅需 200 ms。

概览

• 项目：pdf-inspector（开源）
• 作用：自动判断 PDF 是文字版还是扫描版；文字版直接提取为 Markdown。
• 性能：最快提取仅需约 200 毫秒。
• 能力：表格检测、多栏排版识别、标题层级还原，输出的 Markdown 结构干净整齐。
• 使用场景：文档处理与开发场景，适合 PDF 前置分类与提取。

功能要点

• 自动识别 PDF 类型：文字版 vs 扫描版
• 文字版输出：直接将文本转为 Markdown
• 结构保留：保留标题层级、表格、多栏排版等信息
• 跨语言实现：Python、Node.js、Rust 四套接口
• 浏览器端运行：WebAssembly 实现，后端服务无需部署

技术栈与部署

• 四种接口：Python、Node.js、Rust、浏览器端
• 浏览器执行：WebAssembly 直接在浏览器中跑
• 后端：无需额外搭建服务即可使用

使用建议

• 适用于需要对 PDF 进行预处理、快速提取文本及结构化信息的场景
• 适合文档处理相关开发者与团队使用

参考与来源

• 项目地址：GitHub: http://github.com/firecrawl/pdf-inspector

简短描述