pdf-inspector 快速上手指南10ms 识别 PDF 类型文本型 PDF 200ms 转 Markdown【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文档管道拿到 PDF 后的第一问是哪些能直接抽文本哪些是必须走 OCR 的扫描件文本型本地处理 200ms 以内就够扫描件却要 2–10s 的 OCR 服务。pdf-inspector 是一个用 Rust 写的 PDF 检查库约 10–50ms 判定 text_based / scanned / image_based / mixed 四种类型返回置信度和按页的 OCR 路由清单从而跳过约 54% 根本不需要 OCR 的文档。验证安装是否成功的第一条命令pip install pdf-inspector预编译 wheel 覆盖 Linux / macOS / WindowsCPython ≥3.8其他平台需从源码构建。装完后拿手头任意一份 PDF 跑下面这行输出类型和处理耗时毫秒数python -c import pdf_inspector as p; rp.process_pdf(document.pdf); print(r.pdf_type, r.processing_time_ms)看到text_based 148这类输出就说明通了——一个文本型 PDF 通常 200ms 内跑完。一行代码把文本型 PDF 转成带结构的 Markdownimport pdf_inspector # 一次调用完成 检测 抽取 Markdown 转换 result pdf_inspector.process_pdf(document.pdf) print(result.pdf_type) # text_based / scanned / image_based / mixed print(result.markdown) # Markdown 字符串或 None输出不是原始文本堆砌按字号比例推断 H1–H4 标题识别项目符号和编号列表等宽字体自动成代码块表格用「绘图矩形 文本对齐」双模式检测URL 转成链接页码被过滤多栏版面按阅读顺序重排。质量上有 opendataloader-bench 对比数据200 份 PDFApple M4 Pro2026-07-31 更新pdf-inspector 综合 0.875、阅读顺序 0.915、表格 0.814、跑完整个语料 0.470s均为参评的 5 个本地引擎中最高。只处理部分页面时传pages[0, 1, 2]页码从 0 开始。判断文件是不是扫描件走快速检测模式只想知道类型而不做抽取时用detect_pdf它 10–50ms 出结果300 多页的 PDF 也能毫秒级判定# 只做检测、不抽文本10–50ms info pdf_inspector.detect_pdf(document.pdf) print(info.pdf_type, info.confidence) # 类型与置信度0.0–1.0 print(info.pages_needing_ocr) # 缺文本的页用于按页路由 OCR这就是它最典型的路由用法先分类约 20ms是 text_based 就本地抽取约 150ms否则才送去 OCR2–10s。markdown 返回 None 时用选择性 OCR 处理扫描页文件是扫描件时result.markdown会是 None——这不是失败而是库在告诉你「这份 PDF 没有可抽的文本」。Python 包内置选择性 OCR 管线# 只对原生抽取被拒的页做 OCR干净文本 PDF 不会加载 OCR 运行时 ocr pdf_inspector.process_pdf_with_ocr(document.pdf) print(ocr.pages_routed_to_ocr) # 实际走了 OCR 的页注意 wheel 不带 PDFium、ONNX Runtime 和模型只有页面被路由到 OCR 时才会加载它们PP-OCRv6 Small 模型在首个 OCR 页时下载并校验。离线环境传offlineTrue加model_directory指向本地模型即可细节见 OCR 运行时指南。拿到文本的 X/Y 坐标和字体信息# 每个文本项带坐标、字体、字号适合做定位或高亮 items pdf_inspector.extract_text_with_positions(document.pdf) for item in items[:5]: print(f{item.text} at ({item.x:.0f}, {item.y:.0f}) {item.font} {item.font_size})带标签结构的 PDF 还可以用extract_structure_elements恢复真实标题层级。Node.js 与浏览器绑定各一行安装命令npm install firecrawl/pdf-inspector # Node.js npm install firecrawl/pdf-inspector-wasm # 浏览器 WebAssemblyRust 侧用cargo install pdf-inspector装 CLIpdf2md document.pdf --json、detect-pdf document.pdf --analyze --json的输出都适合进管道。易踩的四个坑None、两套页码索引、编码告警与 OCR 默认关闭markdown 可能为 Nonedetect_pdf和无法抽取的 PDF 都返回 None用if result.markdown:先判断。页码有两套索引process_pdf的 PdfResult 里pages_needing_ocr是 1 基classify_pdf的 PdfClassification 里是 0 基extract_pages_markdown的 pages 参数也是 0 基混用会偏移一页。has_encoding_issues字体编码损坏部分中文 PDF 常见时该字段为 True抽出的文本可能乱码建议回退 OCR。默认流程不含 OCRprocess_pdf是纯抽取OCR 只有显式调用process_pdf_with_ocr才会加载运行时。适合文本型 PDF 的本地管道不适合批量扫描 OCR 与图像理解输入以报告、论文、发票、法律文书这类文本型文档为主时它是省事的本地默认项文档只解析一次检测和抽取共享没有冗余 I/O。输入以扫描件为主时请先规划好 PDFium / ONNX Runtime 的运行环境它也不负责理解 PDF 里的图表内容。完整 API 参考Python · Rust · Node.js · WASM · 可运行的完整示例 examples/basic_usage.py · 基准测试方法 docs/benchmarking.md【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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考