企业官网建设流程全解析

200ms识别PDF类型并提取文本的入门指南

【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

把一份 PDF 交给下游前，最怕的不是慢，而是分不清哪几页能直接抽文本、哪几页必须走 OCR。pdf-inspector 做的就是这一步：先判断 PDF 是文本型还是扫描型，再决定本地抽取还是转交 OCR，省掉一批没必要的识别开销。

🚀 三分钟跑通：装完就能抽文本

Python 一条命令装好，装完直接抽文本。

pip install pdf-inspector

第一次运行，一个函数同时给类型和 Markdown，返回里还带页数和置信度。

import pdf_inspector r = pdf_inspector.process_pdf("document.pdf") # 检测+抽取+转Markdown print(r.pdf_type, r.page_count, r.confidence) print(r.markdown is not None) # 是否抽到了文本

pdf-inspector 在四端给同套接口：Node 装npm install @firecrawl/pdf-inspector（函数叫processPdf/classifyPdf），Rust 用cargo add pdf-inspector，浏览器有 WASM 包，PDF 字节全程不出浏览器。

📋 能力总览：每项都标了可核对的数字

• 分类检测：约 10-50ms 判定 text_based / scanned / image_based / mixed，返回 0-1 置信度与逐页 OCR 路由。
• 本地抽取：文本型 PDF 全程 <200ms 出 Markdown，纯 Rust、无 ML 模型、无外部服务，转换逻辑见 src/markdown/。
• 表格识别：矩形 + 文本对齐双模式，覆盖财务报表、脚注、跨页续表，实现在 src/tables/。
• 多列与 RTL：自动识别报纸式多列并给出正确阅读顺序，支持 RTL 文本。
• 编码解码：ToUnicode CMap 处理 CJK / CID 字体，坏编码自动标记、提示回退 OCR。
• 选择性 OCR：只对被拒页面跑 PP-OCRv6 Small，纯文本 PDF 不加载 OCR 运行时。
• 多语言绑定：Python / Node.js / 浏览器 WASM / Rust 四端同接口，MIT 协议。

🛠️ 实战演练：按场景挑接口，不纠结语言

只判类型、不抽内容。管线里先做分流，classify_pdf最轻。

d = pdf_inspector.classify_pdf("doc.pdf") # 仅分类，跳过抽取 print(d.pdf_type, d.confidence) # 类型 + 置信度 print(d.pages_needing_ocr) # 需要OCR的页（0索引）

要坐标和字体信息。排版、高亮、重建版面时用带位置的文本块。

items = pdf_inspector.extract_text_with_positions("doc.pdf", pages=[1]) for it in items[:5]: # 打印前5块 print(f"p{it.page} ({it.x:.0f},{it.y:.0f}) {it.font_size:.1f} {it.text!r}")

扫描页混合文档。让库自己决定哪几页 OCR，不用你手写规则。

ocr = pdf_inspector.process_pdf_with_ocr("scan.pdf") # 自动只OCR需要的页 print(ocr.pages_routed_to_ocr) # 被路由到OCR的页 print(ocr.markdown) # 融合后的Markdown

📊 数据表现：200份PDF基准

数字取自 opendataloader-bench 语料：200 份 PDF、OCR 关闭、只比本地引擎；硬件 Apple M4 Pro，2026-07-31 刷新，耗时为剔除预热后五次完整跑的中位数。综合 / 阅读顺序 / 表格 / 标题均为 0-1 质量分，越高越好。

按 README 口径，约 54% 的常见 PDF 无需 OCR，正是本地抽取能直接吃下的部分。

🧭 进阶与扩展：两个常用高级点

区域抽取接版面模型。extract_text_in_regions按[x1,y1,x2,y2]从指定页取文本，每块带回needs_ocr标记，适合“布局模型圈区域 + 本地抽文本”的混合管线，抽取入口在 src/extractor/。

离线选择性 OCR。pdf-inspector 的process_pdf_with_ocr支持page_numbers（1索引）、model_directory和offline=True，可指向本地 PP-OCRv6 模型、禁止联网；纯文本文档不会触发下载。

延伸阅读

• Python API 参考
• Node.js 绑定说明
• 浏览器 WASM 使用
• 分类检测实现

下一步，拿你自己的文档接classify_pdf进管线，用pages_needing_ocr数一下能省掉多少 OCR 调用。

【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