这个项目能做什么

pdf-inspector 是 Firecrawl 构建的一个 Rust 库，用于快速 PDF 分类和文本提取。它检测 PDF 是文本型、扫描型、图像型还是混合型，并提取具有位置感知、字体信息和多列阅读顺序的文本。该库将 PDF 转换为干净的 Markdown，包括标题、列表、代码块、表格、粗体/斜体格式、URL 和分页符。它支持 CID 字体、从右到左（RTL）文本、编码问题检测，以及针对需要 OCR 的页面进行选择性 OCR 路由。绑定可用于 Python、Node.js 和浏览器 WebAssembly，以及 CLI 工具（pdf2md 和 detect-pdf）。默认构建保持轻量级，仅在需要时加载 OCR 依赖项。在 opendataloader-bench 语料库上的基准测试显示，对于报告、研究论文、发票和法律文件等原生文本 PDF，其速度和质量具有竞争力。