GitHubDaily(@GitHub_Daily):给大模型喂 PDF 文档，常见做法是先跑 OCR 再提文字，但实际上有一半多的 PDF 本来就是文字版，根本不需要 OCR。 Firecrawl 团队最近开源的 pdf-inspector，能自动判断 PDF 是文字版还是扫描版，文字版的直接提取并转成 Markdown。最快 200 毫秒内提取完成，支持表格检测、多栏排版识别、标题层级还原，输出的 Markdown 结构干净。 GitHub：https://t.co/sNFZhS6U0c 提供 Python、Node.js、Rust 和浏览器端四套接口，浏览器里通过 WebAssembly 直接跑，不用后端服务。做文档处理相关开发的朋友，拿来做 PDF 前置分类和提取挺合适的。

GitHubDaily

@GitHub_Daily

💡 挖掘开源的价值 🧑🏻‍💻 坚持分享 GitHub 上高质量、有趣、实用的教程、AI工具、前沿 AI 技术 🧐 A list cool, interesting projects of GitHub. ✏️ 公众号：GitHubDaily

参加 May 2023

205 フォロー中 82.9K ファン

GitHubDaily@GitHub_Daily

2026.08.05 00:00

给大模型喂 PDF 文档，常见做法是先跑 OCR 再提文字，但实际上有一半多的 PDF 本来就是文字版，根本不需要 OCR。 Firecrawl 团队最近开源的 pdf-inspector，能自动判断 PDF 是文字版还是扫描版，文字版的直接提取并转成 Markdown。最快 200 毫秒内提取完成，支持表格检测、多栏排版识别、标题层级还原，输出的 Markdown 结构干净。 GitHub：提供 Python、Node.js、Rust 和浏览器端四套接口，浏览器里通过 WebAssembly 直接跑，不用后端服务。做文档处理相关开发的朋友，拿来做 PDF 前置分类和提取挺合适的。