YouTube video by Linux Distros

Firecrawl PDF Inspector（仓库名 pdf-inspector）是 Firecrawl 开源的一套本地 PDF 分类与文本提取工具。它可以判断 PDF 中的文字是否能够直接提取，读取文本和版面信息并转换为 Markdown，同时返回需要进一步 OCR 的页面。 在私有知识库、RAG 或批量文档处理流程中，PDF 通常要先经过文本提取，再进入切分、Embedding 或后续模型处理。如果不区分文档类型就把所有 PDF 都送进云端 OCR 或视觉模型，本身已经包含可提取文字的文件也会重复走一次识别流程，增加接口调用、处理时间和费用。 快速了解：Firecrawl PDF Inspector 核心使用 Rust 编写，通常可在 10~50 毫秒内判断 PDF 属于 TextBased、Scanned、ImageBased 或 Mixed 类型，并返回需要 OCR 的页面信息。可以直接读取的内容会在本地提取并转换为 Markdown；缺少可靠文本层或提取结果不可靠的页面和区域，则可以继续交给本地或云端 OCR。 RAG 文档处理为什么要先判断 PDF 是否需要 OCR？ 企业研报、电子合同、发票和学术论文里，有不少文件本身就是由 Word、LaTeX 或排版软件直接导出的原生文本 PDF。这类 PDF 通常已经包含可提取的文字和位置信息，不需要先把页面转成图片再做 OCR。 Firecrawl 自己的 PDF 数据里，大约有 54% 的文件不需要 OCR…