ahhhhfs(@abskoop):很多 PDF 本身就带文字层，再跑一遍 OCR 其实是重复处理。 Firecrawl 开源的 pdf-inspector 会先在本地检查 PDF 类型，几十毫秒判断哪些能直接提取，哪些页面或区域才需要 OCR。能读的转 Markdown，缺文本的再识别。 👉https://t.co/ElrFvUTL1A 他们自己的数据里，约 54% 的 PDF 不需要 OCR。适合拿来给 AI 知识库、文档问答做 PDF 预检。

ahhhhfs

@abskoop

🔍 挖掘互联网宝藏工具｜AI 工具 · 开源项目 · 在线工具 · 效率神器投稿欢迎 DM｜备用号 @ahhhhfs 🔔 TG 频道：

加入 December 2013

1.3K 正在關注 758.1K 粉絲

ahhhhfs@abskoop

2026.08.18 09:47

很多 PDF 本身就带文字层，再跑一遍 OCR 其实是重复处理。 Firecrawl 开源的 pdf-inspector 会先在本地检查 PDF 类型，几十毫秒判断哪些能直接提取，哪些页面或区域才需要 OCR。能读的转 Markdown，缺文本的再识别。 👉 他们自己的数据里，约 54% 的 PDF 不需要 OCR。适合拿来给 AI 知识库、文档问答做 PDF 预检。