Firecrawl 在 8 月初把自家的 PDF 解析引擎 pdf-inspector 开源了。这个 Rust 写的小工具只做一件事：先判断一份 PDF 到底需不需要 OCR，再决定怎么处理。
它把 PDF 分成四类：原生文本、扫描件、纯图片、混合类型。判断依据是 PDF 内部的内容流，而不是先把页面渲染出来。按 Firecrawl 的说法，他们线上数据里大约 54% 的 PDF 属于原生文本，这些文件可以直接在本地提取文字，不用走 OCR。
速度是它最显眼的数据。在官方放出的 opendataloader-bench 测试里，200 份 PDF 的整体处理耗时 0.47 秒，而 PyMuPDF4LLM 要 17 秒，MarkItDown 要 16 秒。质量得分也更高：综合 0.875，阅读顺序 0.915，表格识别 0.814。当然这是厂商自己的 benchmark，文件类型也偏向原生文本，不能直接当成所有场景的结论。
输出格式是 Markdown，会尽量保留标题层级、列表、表格、代码块和链接。它还能按页返回哪些页面需要 OCR，这样混合文档可以只把扫描页交给 OCR，文本页自己处理。
安装方式很多：Rust 直接 cargo add，Node 有 npm 包，浏览器里可以跑 WASM，Python 需要通过 maturin 从源码编译（PyPI 包也在推进）。自带两个命令行工具 pdf2md 和 detect-pdf，尝鲜很快。
我用它试了几份存在 NAS 上的电子发票和论文 PDF。原生文本的那部分确实在 200 毫秒内就出结果了，格式保留得比我预期好。但扫描件和老旧的图片型 PDF 它不会帮你读，只会告诉你“这页需要 OCR”。另外它目前不提取图片和图表，科研论文里图多的那些，还是得配合其他工具。
它的价值不是替代 OCR，而是把 OCR 从默认选项变成可选项。本地 AI 的 RAG 管道最怕两种浪费：一种是明明能直接读的文字非要去调云端 OCR，另一种是本地小模型被塞了一堆扫描件图片。有个 10 到 50 毫秒的分类器挡在前面，后面该走什么路线就清楚多了。
Firecrawl 之前已经把 AnyDoc 一起开源了，覆盖 Word、Excel、PPT 等 14 种格式。pdf-inspector 专注 PDF，两者拼起来，文档入门的活儿基本可以本地完成。对不想把文件往云上送的人来说，这种本地优先的路线比较对胃口。