PDF智能分类：54%无需OCR，200ms本地解析
Firecrawl开源的Rust库能自动判断PDF是文本型还是扫描型，跳过不必要的OCR直接提取结构化Markdown。对需要处理大量PDF的RAG和文档流水线团队，这意味着显著的成本下降和延迟降低。
Fast Rust library for PDF inspection, classification, and text extraction. Intelligently detects scanned vs text-based PDFs to enable smart routing decisions.
做文档RAG的团队目前主流方案是直接用PyPDF或pdfplumber暴力提取，遇到扫描件再调Azure Document Intelligence或AWS Textract，成本高且延迟不可控。pdf-inspector的聪明之处在于前置分类——先采样判断是否需要OCR，避免了对纯文本PDF的过度处理。
跟 unstructured-io 相比，它的优势是Rust原生性能（200ms vs 通常秒级）和明确的分类置信度；跟纯OCR方案如Marker比，它在文本PDF场景下完全跳过OCR，成本近乎为零。Python/Node/WASM多绑定也意味着不用改技术栈就能接入。
如果你正在用 LlamaIndex 或 LangChain 做文档摄取，且每月PDF处理量在万级以上，这个工具值得替换掉现有的提取层。特别注意：它目前对中文PDF的排版还原效果需要实测验证，复杂表格场景可能仍需fallback到传统方案。
PDF智能分类与提取的专用基础设施，填补Rust高性能PDF解析与RAG流水线间的空白。
独特价值：自动区分扫描/文本PDF并智能路由，避免冗余OCR，大幅降低RAG流水线成本与延迟。