3 步跑通 pdf-inspector：PDF 检测与转 Markdown

3 步跑通 pdf-inspectorPDF 检测与转 Markdown【免费下载链接】pdf-inspectorFast Rust library for PDF inspection, classification, and text extraction. Intelligently detects scanned vs text-based PDFs to enable smart routing decisions.项目地址: https://gitcode.com/GitHub_Trending/pdf/pdf-inspectorpdf-inspector 是一个用 Rust 写的本地 PDF 处理库它先判断一份 PDF 是文本型还是扫描型再决定走本地提取还是 OCR把文本型文档直接转成干净的 Markdown。如果你不想把每一页都丢给昂贵的 OCR 服务这个库就是为这条路由逻辑做的。 它是什么本地 PDF 路由与提取一句话定位一个纯本地、无外部服务的 PDF 分类 文本提取 Markdown 转换引擎。下面这些数字来自它的 README 基准指标数值分类耗时约 10–50ms文本型 PDF 处理本地 200ms200 份文档综合分0.875基准最高阅读顺序 NID / 表格 TEDS0.915 / 0.814绑定Rust / Python / Node.js / WASM它只做三件事分类TextBased / Scanned / ImageBased / Mixed、提取带坐标的文本、转 Markdown默认不碰 OCR。 从 0 到第一次运行装好并看到第一个结果预编译 wheel 覆盖 CPython ≥3.8 的 Linux、macOS、Windows。装完直接跑两条命令就能出结果pip install pdf-inspectorimport pdf_inspector r pdf_inspector.process_pdf(document.pdf) print(r.pdf_type) # text_based / scanned / image_based / mixed print(r.markdown) # Markdown 字符串扫描页可能为 Noneprocess_pdf一次调用就完成分类 提取 转 Markdownmarkdown就是最终产出。⚡ 高频用法三种典型场景只分类不提取毫秒级路由管线里大多数 PDF 其实不用 OCR。detect_pdf只做分类不解析全文毫秒级返回info pdf_inspector.detect_pdf(document.pdf) print(info.pdf_type) # 四类之一 print(info.confidence) # 0.0 - 1.0 print(info.pages_needing_ocr) # 缺文本层的页码注意1 索引 if info.pdf_type text_based and info.confidence 0.8: # 本地提取即可省掉 OCR 调用 ...只转指定页拿坐标和字体做布局分析或二次排版时pages只处理你需要的页每个文本项带 X/Y 坐标、字体和字号items pdf_inspector.extract_text_with_positions(document.pdf, pages[0, 1]) for it in items[:5]: print(f{it.text} x{it.x:.0f} y{it.y:.0f} font{it.font} size{it.font_size})扫描件按需 OCR真要走 OCR 时process_pdf_with_ocr只对被判为需要 OCR 的页做处理干净文本页不会加载 OCR 运行时ocr pdf_inspector.process_pdf_with_ocr(scan.pdf) print(ocr.pages_routed_to_ocr) # 实际走了 OCR 的页 print(ocr.markdown) 边界与避坑这些坑别踩两套页码索引不一致process_pdf(pages...)和extract_text_with_positions(pages...)用 0 索引而detect_pdf返回的pages_needing_ocr是 1 索引。混用会差一页这是最常见的报错来源。markdown可能为 None纯扫描、无文本层的页提取不出内容别假设它一定有字符串先判is None。OCR 有额外依赖Python / Node 包内不打包模型路由到 OCR 时才需要单独装 PDFium 和 ONNX Runtime 并配好库路径不接 OCR 就完全不用管。字体编码损坏result.has_encoding_issues为 True 时说明字体编码有问题直接提取会乱码应回退 OCR。表格与多列是启发式依赖矩形绘图操作和文字对齐复杂版式看is_complex_layout别指望 100% 还原。非主流平台要 Rust 工具链wheel 之外如某些 ARM 服务器需从源码编译先装好 Rust 工具链。 接下来看哪里完整 Python APINode.js 绑定WebAssembly 浏览器用法OCR 运行时配置性能基准与复现下一步拿一份你手头的报告或发票 PDF先跑detect_pdf看类型和置信度再用process_pdf检查markdown输出是否够用不够再决定要不要接 OCR。【免费下载链接】pdf-inspectorFast Rust library for PDF inspection, classification, and text extraction. Intelligently detects scanned vs text-based PDFs to enable smart routing decisions.项目地址: https://gitcode.com/GitHub_Trending/pdf/pdf-inspector创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考