Skip to content
ReviewRamble

Leer en inglésDeutschFrançais

pdf-inspector

Parser de PDF en Rust de Firecrawl: distingue en milisegundos los PDF de texto de los escaneados y convierte los de texto a Markdown sin OCR.

Reseña de Sheela · Actualizado

Ver en GitHub Código abierto

Nuestra nota

4.2/5

pdf-inspector debería ser la primera parada de cualquier proceso con PDF, porque la llamada de OCR más barata es la que nunca haces.

¿Qué es pdf-inspector?

pdf-inspector es una biblioteca de Rust de Firecrawl que hace dos trabajos. Clasifica un PDF como basado en texto, escaneado, basado en imágenes o mixto tomando muestras de los flujos de contenido de ocho páginas, en unos 10 a 50 milisegundos, y lista qué páginas necesitan OCR. En las páginas de texto extrae el texto con su posición y lo convierte a Markdown con títulos, listas, tablas, negrita y cursiva, y orden de lectura en varias columnas.

Firecrawl lo creó para mantener fuera de su proceso de OCR el aproximadamente 54% de los PDF que no lo necesitan. Hay bindings para Python (pip install pdf-inspector), Node.js, WebAssembly en el navegador y Rust, además de las herramientas de línea de comandos pdf2md y detect-pdf. El OCR selectivo opcional usa PP-OCRv6 Small, con PDFium y ONNX Runtime instalados aparte.

Tiene licencia MIT; la v1.25.2 se publicó el 28 de septiembre de 2026 y el último commit llegó el 7 de octubre.

¿Merece la pena pdf-inspector?

pdf-inspector es la primera fase más rápida y sensata para un proceso de ingesta de PDF: responde si un documento necesita OCR antes de que pagues por él. La clasificación toma muestras de ocho páginas en decenas de milisegundos y devuelve el enrutado por página, así que un informe mixto de 300 páginas solo envía sus páginas escaneadas a un parser caro.

El propio benchmark de Firecrawl sobre el corpus de 200 documentos opendataloader-bench lo sitúa primero entre los parsers locales que no usan modelos: una puntuación global de 0,875 frente a 0,873 de LiteParse, 0,735 de PyMuPDF4LLM y 0,589 de MarkItDown, con 0,814 en estructura de tablas frente al 0,693 de LiteParse. El corpus completo tardó 0,47 segundos en un Apple M4 Pro, frente a unos 16 segundos de MarkItDown. Son cifras del proveedor, con las configuraciones publicadas en una rama reproducible, y la comparación excluye deliberadamente los parsers basados en modelos como Docling y Marker.

Esa exclusión marca el límite. Los títulos salen de la proporción entre tamaños de letra y las tablas de los rectángulos dibujados y la alineación del texto, lo que funciona con informes, artículos y facturas generados por software, pero no con escaneos, fotos ni texto manuscrito. El OCR selectivo existe, pero exige instalar aparte PDFium y ONNX Runtime, y a esas alturas Docling o un parser alojado son herramientas más completas.

La versión para WebAssembly es lo inusual: el mismo parser funciona en un navegador o en un Web Worker, así que una app web puede previsualizar en Markdown un PDF subido sin pasar por el servidor.

Dónde se gana su sitio

  • Un ingeniero de datos de una fintech que ingiere 50.000 extractos bancarios y documentos regulatorios al mes

    Dejar de enviar cada PDF a una API de OCR de pago

    Ejecutar primero detect-pdf y enviar al servicio de OCR solo las páginas que marque; según la propia cifra de Firecrawl, alrededor del 54% de los PDF no necesitan OCR. El parser es gratis y funciona en los workers existentes.

  • Una desarrolladora de front-end de una start-up de documentos legales

    Mostrar una vista previa en Markdown de un contrato subido antes de que salga del navegador

    Cargar @firecrawl/pdf-inspector-wasm en un Web Worker y convertir el archivo en el cliente; sin coste de servidor y sin subir el documento hasta que el usuario lo confirme.

  • Un desarrollador que conecta PDF a Claude Code o a otro agente de programación

    Dar al agente texto limpio de artículos de investigación sin un parser pesado

    pip install pdf-inspector y llamar a process_pdf, o ejecutar pdf2md --compact desde la shell del agente; recurrir a Docling para las páginas marcadas como escaneadas.

Antes de decidirte

Puesta en marcha
pip install pdf-inspector, npm install @firecrawl/pdf-inspector, el paquete -wasm para navegadores, o cargo install pdf-inspector para las CLI pdf2md y detect-pdf; el primer Markdown en un minuto.
Integraciones
APIs para Python (PyO3), Node.js y Bun (napi-rs), WebAssembly en el navegador y Rust; salida JSON con elementos de texto posicionados; OCR opcional con PP-OCRv6 Small y recomendaciones de alternativa alojada.
Datos y privacidad
Funciona del todo en local, también en el navegador; la versión por defecto no hace llamadas de red. Licencia MIT sin límites comerciales.
Coste a escala
Gratis; solo CPU en la ruta por defecto. El benchmark de Firecrawl procesó 200 PDF en menos de medio segundo en un portátil, así que el cómputo rara vez es el cuello de botella.
Límites
249 incidencias y pull requests abiertas; los escaneos y las fotos necesitan OCR u otro parser; la detección de títulos y tablas es heurística; el benchmark deja fuera los parsers basados en modelos.

Lo bueno

  • Clasifica un PDF en unos 10 a 50 ms con enrutado de OCR por página
  • Mejores puntuaciones global y de tablas entre los parsers locales sin modelos en el benchmark de Firecrawl
  • Python, Node, WebAssembly, Rust y CLI desde un mismo código
  • Sin dependencias de ML en la ruta por defecto

Lo malo

  • El benchmark es del proveedor y excluye los parsers basados en modelos
  • Los títulos y tablas por heurística fallan con maquetaciones poco habituales
  • El OCR necesita PDFium y ONNX Runtime instalados aparte
  • No ayuda con los escaneos más allá de enviarlos a otro sitio

Ideal para

Ingenieros que construyen procesos de RAG o de agentes sobre PDF mayoritariamente digitales y quieren una extracción local y rápida y una decisión barata entre escaneo y texto.

Alternativas a 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

3.8/5

Python library that partitions many document types into typed elements (titles, text, tables) for RAG and ETL pipelines.

pdf-inspector: preguntas frecuentes

¿Merece la pena pdf-inspector?
pdf-inspector debería ser la primera parada de cualquier proceso con PDF, porque la llamada de OCR más barata es la que nunca haces. Le damos un 4.2 sobre 5.
¿Cuánto cuesta pdf-inspector?
Gratis bajo la licencia MIT.
¿Qué inconvenientes tiene pdf-inspector?
El benchmark es del proveedor y excluye los parsers basados en modelos; los títulos y tablas por heurística fallan con maquetaciones poco habituales; el OCR necesita PDFium y ONNX Runtime instalados aparte; no ayuda con los escaneos más allá de enviarlos a otro sitio.
¿Para quién es pdf-inspector?
Ingenieros que construyen procesos de RAG o de agentes sobre PDF mayoritariamente digitales y quieren una extracción local y rápida y una decisión barata entre escaneo y texto.
¿Cuánto cuesta pdf-inspector para un equipo o en producción?
Gratis; solo CPU en la ruta por defecto. El benchmark de Firecrawl procesó 200 PDF en menos de medio segundo en un portátil, así que el cómputo rara vez es el cuello de botella.
¿Es pdf-inspector seguro para los datos de la empresa?
Funciona del todo en local, también en el navegador; la versión por defecto no hace llamadas de red. Licencia MIT sin límites comerciales.
¿Cuáles son las mejores alternativas a pdf-inspector?
Las alternativas más cercanas que hemos analizado son Docling, Marker, MarkItDown y Unstructured.

Respuestas comprobadas el 26 oct 2026.