pdf-inspector：本地 PDF 体检工具，减少 OCR 负荷（Firecrawl）

Firecrawl 的 pdf-inspector 能在 AI 工作流前对 PDF 进行本地“体检”，识别可直接提取的文本，降低 OCR 需求。

• 背景：很多 PDF 虽然有文本层，却仍被强制走 OCR，既慢又浪费算力和 Token。
• 解决方案：开源工具 pdf-inspector，先在本地对 PDF 进行体检，再决定是否进行 OCR。
• 原理与流程：
  1. 快速分析 PDF，识别哪些内容能直接提取；
  2. 将可读文本直接转为 Markdown；
  3. 对文本缺失的部分再交给 OCR 处理，避免重复识别。
• 结果与收益：约 54% 的 PDF 不需要 OCR；适用于构建 RAG、知识库、文档问答以及批量 PDF 处理，节省时间和成本。
• 参考信息：项目地址紧随其后，便于获取源码与使用说明。

下载链接

GitHub：
https://github.com/firecrawl/pdf-inspector