Jian AI Lab
← Community experiment fields
Agents, Automation, Data & Local AIPublic experiment15 images

firecrawl/pdf-inspector

pdf-inspector 实测：14 页论文本机 51.342 毫秒变成 Markdown，0 页 OCR

已完成本地实测 pdf-inspector 1.17.0：样例 0.901/5.671 ms，14 页论文 8.296/51.342 ms，0 页 OCR。未执行 OCR。txt→Not a PDF。音频已由用户提供，视频待 15 项媒体通过后制作。外部平台未发布。

Open GitHub repository ↗Visit author's field

01 · PROBLEM

What I wanted to solve

团队把每一份 PDF 都送去云端 OCR，页数一多，流水线就停在等待上。Firecrawl 开源的 pdf-inspector 先判断文件是不是本来就能读的文本，再在本机写成 Markdown。Jian AI Lab 今天在零 API Key、零费用的 Mac 上跑通：1 页样例 classify 0.901 ms、process 5.671 ms；14 页论文 classify 8.296 ms、process 51.342 ms；需要 OCR 的页数为 0。未执行扫描件 OCR。故意用 txt 做了非 PDF 边界测试，得到 ValueError: Not a PDF: file appears to be plain text。

02 · PROCESS

What I did

uv venv + pdf-inspector==1.17.0。classify_pdf / process_pdf。无 API Key。

03 · RESULT

What actually happened

文本型 PDF 本机 Markdown。未执行 OCR。

04 · PITFALLS

What others should watch for

扫描件 OCR 未跑。

05 · VERDICT

My conclusion

适合文本型 PDF 先分流再抽取。

EXPERIMENT IMAGES

The process and outcome in pictures.

11 真实报错。not-a-pdf.txt 内容 this is not a pdf。ValueError: Not a PDF: file appears to be plain text。不是 OCR 失败。
11 真实报错。not-a-pdf.txt 内容 this is not a pdf。ValueError: Not a PDF: file appears to be plain text。不是 OCR 失败。
13 用户使用场景。文本型发票/论文先 classify，text_based 则本机 process 出 Markdown，跳过默认云端 OCR。扫描件未测。未执行 OCR。
13 用户使用场景。文本型发票/论文先 classify，text_based 则本机 process 出 Markdown，跳过默认云端 OCR。扫描件未测。未执行 OCR。
10 README 关键段落。Built by Firecrawl，本地处理文本 PDF、跳过约 54% 不需要 OCR 的文件。54% 与 200ms 是作者陈述，不是本日 3 个文件的统计。
10 README 关键段落。Built by Firecrawl，本地处理文本 PDF、跳过约 54% 不需要 OCR 的文件。54% 与 200ms 是作者陈述，不是本日 3 个文件的统计。
01 项目首页/原作者介绍。来源：2026-09-02 保存的 GitHub 仓库页 firecrawl/pdf-inspector。未联系作者。本日未执行 OCR。
01 项目首页/原作者介绍。来源：2026-09-02 保存的 GitHub 仓库页 firecrawl/pdf-inspector。未联系作者。本日未执行 OCR。
14 作者/社区公开资料。README Built by Firecrawl。创始人帖只引用未回复未关注。
14 作者/社区公开资料。README Built by Firecrawl。创始人帖只引用未回复未关注。
03 安装过程。uv venv --python 3.11；uv pip install pdf-inspector；pip freeze 原文 pdf-inspector==1.17.0。无 API Key，无费用。
03 安装过程。uv venv --python 3.11；uv pip install pdf-inspector；pip freeze 原文 pdf-inspector==1.17.0。无 API Key，无费用。
04 首次运行。jian-ai-lab-sample.pdf 865 bytes。classify 0.901 ms，pdf_type=text_based，confidence=1.0。process 5.671 ms，181 字符。未执行 OCR。
04 首次运行。jian-ai-lab-sample.pdf 865 bytes。classify 0.901 ms，pdf_type=text_based，confidence=1.0。process 5.671 ms，181 字符。未执行 OCR。
12 换回真实 PDF 后成功。样例 0.901/5.671 ms；论文 8.296/51.342 ms。exit 0。OCR 仍未执行。
12 换回真实 PDF 后成功。样例 0.901/5.671 ms；论文 8.296/51.342 ms。exit 0。OCR 仍未执行。
07 输入与输出对比。输入 865 字节文本 PDF；输出 Markdown 含 Amount: 0 CNY。pages_needing_ocr=[]。未执行 OCR。
07 输入与输出对比。输入 865 字节文本 PDF；输出 Markdown 含 Amount: 0 CNY。pages_needing_ocr=[]。未执行 OCR。
06 最终结果。pdf-inspector 1.17.0。样例 0.901/5.671 ms；论文 8.296/51.342 ms；txt 抛 Not a PDF。0 页 OCR。无 API Key。
06 最终结果。pdf-inspector 1.17.0。样例 0.901/5.671 ms；论文 8.296/51.342 ms；txt 抛 Not a PDF。0 页 OCR。无 API Key。
09 项目目录与核心文件。run_experiment.py、evidence/input 三文件、experiment-results.json、pip-freeze.txt。
09 项目目录与核心文件。run_experiment.py、evidence/input 三文件、experiment-results.json、pip-freeze.txt。
08 速度对比，单位毫秒。样例 classify 0.901 process 5.671；论文 8.296 / 51.342；txt 0.164/0.035 报错。本日未走 OCR 分支。
08 速度对比，单位毫秒。样例 classify 0.901 process 5.671；论文 8.296 / 51.342；txt 0.164/0.035 报错。本日未走 OCR 分支。
02 项目核心功能。README：默认分类 text-based/scanned 再抽 Markdown，默认不走 OCR。本日 classify_pdf/process_pdf，pages_needing_ocr=[]。未执行 OCR。
02 项目核心功能。README：默认分类 text-based/scanned 再抽 Markdown，默认不走 OCR。本日 classify_pdf/process_pdf，pages_needing_ocr=[]。未执行 OCR。
05 关键操作。tracemonkey.pdf 调用 process_pdf。classify 8.296 ms text_based；process 51.342 ms，83804 字符，tables=[2,3,12]。未执行 OCR。
05 关键操作。tracemonkey.pdf 调用 process_pdf。classify 8.296 ms text_based；process 51.342 ms，83804 字符，tables=[2,3,12]。未执行 OCR。
15 最终结论。适合有文本型 PDF、想先分流再抽取的人。uv pip install pdf-inspector。未执行 OCR。视频未制作。
15 最终结论。适合有文本型 PDF、想先分流再抽取的人。uv pip install pdf-inspector。未执行 OCR。视频未制作。