Was kostet pdf-inspector?

Kostenlos unter der MIT-Lizenz.

Welche Nachteile hat pdf-inspector?

Der Benchmark stammt vom Hersteller und lässt modellbasierte Parser aus; Heuristische Überschriften und Tabellen verfehlen ungewöhnliche Layouts; OCR braucht separat installiertes PDFium und ONNX Runtime; Für Scans keine Hilfe, außer sie anderswohin weiterzuleiten.

Was kostet pdf-inspector für ein Team oder im Produktivbetrieb?

Kostenlos; auf dem Standardpfad nur CPU. Der Benchmark von Firecrawl verarbeitete 200 PDFs auf einem Laptop in weniger als einer halben Sekunde, Rechenleistung ist also selten der Engpass.

Ist pdf-inspector sicher für Firmendaten?

Läuft vollständig lokal, auch im Browser; der Standard-Build macht keine Netzwerkaufrufe. MIT-Lizenz ohne Einschränkungen für kommerzielle Nutzung.

Was sind die besten Alternativen zu pdf-inspector?

Die nächsten Alternativen, die wir getestet haben, sind Docling, Marker, MarkItDown und Unstructured.

pdf-inspector GitHub-Repo im Test (2026)

Was ist pdf-inspector?

pdf-inspector ist eine Rust-Bibliothek von Firecrawl mit zwei Aufgaben. Sie stuft ein PDF als textbasiert, gescannt, bildbasiert oder gemischt ein, indem sie die Content-Streams von acht Seiten stichprobenartig liest, in etwa 10 bis 50 Millisekunden, und listet auf, welche Seiten OCR brauchen. Aus Textseiten extrahiert sie positionierten Text und wandelt ihn in Markdown um, mit Überschriften, Listen, Tabellen, Fett- und Kursivschrift und der Lesereihenfolge mehrspaltiger Seiten.

Firecrawl hat sie gebaut, um die rund 54% der PDFs, die kein OCR brauchen, von der eigenen OCR-Pipeline fernzuhalten. Es gibt Bindings für Python (pip install pdf-inspector), Node.js, WebAssembly im Browser und Rust, dazu die Kommandozeilenwerkzeuge pdf2md und detect-pdf. Optionales selektives OCR nutzt PP-OCRv6 Small, wobei PDFium und ONNX Runtime separat installiert werden.

Sie steht unter MIT-Lizenz; v1.25.2 erschien am 28. September 2026, der letzte Commit kam am 7. Oktober.

Lohnt sich pdf-inspector?

pdf-inspector ist die schnellste vernünftige erste Stufe für eine Pipeline zur PDF-Aufnahme: Es beantwortet, ob ein Dokument OCR braucht, bevor du dafür bezahlst. Die Klassifizierung prüft acht Seiten in einigen zehn Millisekunden und liefert eine Weiterleitung pro Seite, sodass ein gemischter Bericht mit 300 Seiten nur seine gescannten Seiten an einen teuren Parser schickt.

Der eigene Benchmark von Firecrawl auf dem Korpus opendataloader-bench mit 200 Dokumenten sieht es auf Platz eins unter den lokalen Parsern ohne Modell: eine Gesamtwertung von 0,875 gegenüber 0,873 für LiteParse, 0,735 für PyMuPDF4LLM und 0,589 für MarkItDown, bei der Tabellenstruktur 0,814 gegenüber 0,693 für LiteParse. Der ganze Korpus dauerte auf einem Apple M4 Pro 0,47 Sekunden, MarkItDown brauchte etwa 16 Sekunden. Das sind Zahlen des Herstellers, die Konfigurationen liegen in einem reproduzierbaren Branch, und der Vergleich lässt modellbasierte Parser wie Docling und Marker bewusst außen vor.

Genau dieser Ausschluss ist die Grenze. Überschriften ergeben sich aus Verhältnissen der Schriftgrößen und Tabellen aus gezeichneten Rechtecken und Textausrichtung. Das funktioniert bei Berichten, Fachartikeln und Rechnungen, die von Software erzeugt wurden, nicht aber bei Scans, Fotos oder Handschrift. Selektives OCR gibt es, es zieht aber PDFium und ONNX Runtime als separate Installationen nach sich, und an diesem Punkt sind Docling oder ein gehosteter Parser das vollständigere Werkzeug.

Ungewöhnlich ist der WebAssembly-Build: Derselbe Parser läuft in einem Browser oder Web Worker, sodass eine Web-App aus einem hochgeladenen PDF eine Markdown-Vorschau zeigen kann, ohne den Umweg über einen Server.

Wo es sich lohnt

Ein Data Engineer bei einem Fintech, das jeden Monat 50.000 Kontoauszüge und Meldungen aufnimmt
Nicht mehr jedes PDF an eine kostenpflichtige OCR-API schicken
Lass zuerst detect-pdf laufen und schick nur die markierten Seiten an den OCR-Dienst; nach Firecrawls eigener Angabe brauchen rund 54% der PDFs überhaupt kein OCR. Der Parser ist kostenlos und läuft auf den vorhandenen Workern.
Ein Frontend-Entwickler bei einem Start-up für juristische Dokumente
Eine Markdown-Vorschau eines hochgeladenen Vertrags zeigen, bevor er den Browser verlässt
Lade @firecrawl/pdf-inspector-wasm in einem Web Worker und wandle die Datei clientseitig um; keine Serverkosten, und das Dokument wird erst hochgeladen, wenn der Nutzer bestätigt.
Ein Entwickler, der PDFs an Claude Code oder einen anderen Coding-Agenten anbindet
Dem Agenten sauberen Text aus Fachartikeln geben, ohne schweren Parser
pip install pdf-inspector und process_pdf aufrufen oder pdf2md --compact in der Shell des Agenten ausführen; für als gescannt markierte Seiten auf Docling ausweichen.

Bevor du dich festlegst

Einrichtung: pip install pdf-inspector, npm install @firecrawl/pdf-inspector, das -wasm-Paket für Browser oder cargo install pdf-inspector für die CLIs pdf2md und detect-pdf; das erste Markdown steht nach einer Minute.
Integrationen: APIs für Python (PyO3), Node.js und Bun (napi-rs), WebAssembly im Browser und Rust; JSON-Ausgabe mit positionierten Textelementen; optionales OCR mit PP-OCRv6 Small, mit Empfehlungen für gehostete Ausweichlösungen.
Daten und Datenschutz: Läuft vollständig lokal, auch im Browser; der Standard-Build macht keine Netzwerkaufrufe. MIT-Lizenz ohne Einschränkungen für kommerzielle Nutzung.
Kosten im großen Maßstab: Kostenlos; auf dem Standardpfad nur CPU. Der Benchmark von Firecrawl verarbeitete 200 PDFs auf einem Laptop in weniger als einer halben Sekunde, Rechenleistung ist also selten der Engpass.
Grenzen: 249 offene Issues und Pull Requests; Scans und Fotos brauchen OCR oder einen anderen Parser; die Erkennung von Überschriften und Tabellen ist heuristisch; der Benchmark lässt modellbasierte Parser aus.

Was gut ist

Klassifiziert ein PDF in etwa 10 bis 50 ms, mit OCR-Weiterleitung pro Seite
Beste Gesamt- und Tabellenwertung unter lokalen Parsern ohne Modell im Benchmark von Firecrawl
Python, Node, WebAssembly, Rust und CLI aus einer Codebasis
Keine ML-Abhängigkeiten auf dem Standardpfad

Was nicht

Der Benchmark stammt vom Hersteller und lässt modellbasierte Parser aus
Heuristische Überschriften und Tabellen verfehlen ungewöhnliche Layouts
OCR braucht separat installiertes PDFium und ONNX Runtime
Für Scans keine Hilfe, außer sie anderswohin weiterzuleiten

Am besten für

Engineers, die RAG- oder Agenten-Pipelines über überwiegend digitale PDFs bauen und eine schnelle lokale Extraktion und eine günstige Entscheidung zwischen Scan und Text wollen.

Alternativen zu pdf-inspector

Docling

RAG & dataPython69k stars

4.5/5

IBM-born toolkit that converts PDFs, Office files, HTML and images into clean Markdown or JSON for RAG, with strong table handling.

Marker

RAG & dataPython41k stars

4.3/5

Datalab's PDF-to-Markdown converter that reads the text layer first and calls its OCR model only where a page needs it.

MarkItDown

RAG & dataPython192k stars

3.8/5

Microsoft's lightweight Python converter that turns Office files, PDFs, HTML and more into Markdown for LLMs.

Unstructured

RAG & dataPython16k stars