企业官网建设流程全解析

pdf-inspector：3 行代码在本地跑通 PDF 分类与文本提取

【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

拿到一份 PDF，你很难一眼分清它是不是文本型——上不上 OCR 全凭感觉，猜错就白烧算力，还可能把响应拖到几十秒。pdf-inspector 是 Rust 写的本地 PDF 分类与文本提取库，10-50ms 判类型、200ms 内抽完文本型，全程不碰任何外部服务。

pip 一行装好，3 行出结果

Python 版的预编译 wheel 覆盖 Linux、macOS、Windows，装完直接import就能跑，无需 Rust 工具链：

pip install pdf-inspector

import pdf_inspector r = pdf_inspector.process_pdf("doc.pdf") print(r.pdf_type, r.markdown)

Node.js（@firecrawl/pdf-inspector）、浏览器 WASM、Rust crate 和 CLI 工具pdf2md也都有对应入口，按你的运行时挑一条即可。

跑通上面三行后，看看它到底能替你干什么。

它能替你做什么：分类、抽 Markdown、拿坐标

判类型（10-50ms）：process_pdf顺带返回pdf_type（text_based/scanned/image_based/mixed）、0-1 的confidence，以及pages_needing_ocr这个逐页该走 OCR 的页码列表。意味着你不用等用户盯着上传的加载动画——趁这几十毫秒就能把"本地抽"还是"送 OCR"的分流策略定下来，连哪几页要补 OCR 都提前知道。

文本型本地抽成 Markdown（200ms 内）：标题分级、列表、等宽字体识别出的代码块、表格、URL 转链接，直接产出干净 Markdown。在 200 份文档的 opendataloader-bench 语料上，它整体得分 0.875、表格（TEDS）0.814，完整跑完 200 份只要 0.470s，是五个被测引擎里最快的。而据项目口径，约 54% 的 PDF 本不需要 OCR——这部分你根本不用为它们付 OCR 的钱。

带坐标的文本项：extract_text_with_positions给出每段文字的 X/Y 坐标、字号、是否加粗/斜体。意味着做高亮、点击定位、或按位置切片喂给 RAG 时，坐标和样式是现成的，不用自己反推版面。

基础调用之外，还有一个高频场景值得知道。

进阶一瞥：按页码抽 + 拿坐标

要拿到每段文字的位置信息喂给下游（高亮、定位、RAG 切片）时，用带坐标的抽取，pages参数顺带限定只看哪几页：

items = pdf_inspector.extract_text_with_positions("doc.pdf", pages=[0, 2]) for it in items[:5]: print(f"{it.text} @ ({it.x:.0f},{it.y:.0f}) size={it.font_size}")

pages是 0 起始的页码列表，返回的每个item都带text / x / y / font_size / is_bold，可直接对接高亮或切片逻辑。

想继续深入，这几个入口直接可用。

下一步

• 查完整 API → docs/python.md
• Node 绑定 → napi/README.md
• 浏览器跑 → wasm/README.md
• 看基准数据 → docs/benchmarking.md

挑一份你手头的 PDF，跑一遍detect_pdf，看看它判得准不准。

【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