Pdf Inspector

pdf-inspector は Firecrawl が作った、PDF の分類とテキスト抽出のための高速 Rust ライブラリです。PDF がテキストベースかスキャンかを判別し、位置情報を保ったままテキストを抽出して、きれいな Markdown に変換します。この全工程に OCR を使いません。分類できるからルーティングが賢くなります。プロジェクトの説明では、テキストベースの PDF はローカルで 200ms 以内に処理し、高価な OCR にはスキャン文書だけを回せばよいとのこと。Python、Node.js、ブラウザ WebAssembly のバインディングが用意されています。