Qu’est-ce que pdf-inspector ?
pdf-inspector est une bibliothèque Rust de Firecrawl qui fait deux travaux. Elle classe un PDF comme basé sur le texte, scanné, basé sur l'image ou mixte en échantillonnant les flux de contenu de huit pages, en environ 10 à 50 millisecondes, et liste quelles pages ont besoin d'OCR. Pour les pages de texte, elle extrait le texte positionné et le convertit en Markdown avec titres, listes, tableaux, gras et italique, et ordre de lecture multi-colonnes.
Firecrawl l'a construite pour garder les environ 54 % de PDF qui n'ont pas besoin d'OCR hors de son pipeline d'OCR. Des bindings existent pour Python (pip install pdf-inspector), Node.js, WebAssembly navigateur et Rust, plus des outils en ligne de commande pdf2md et detect-pdf. L'OCR sélectif optionnel utilise PP-OCRv6 Small, avec PDFium et ONNX Runtime installés séparément.
Elle est sous licence MIT ; v1.25.2 est sortie le 28 septembre 2026 et le dernier commit a atterri le 7 octobre.
pdf-inspector vaut-il le coup ?
pdf-inspector est la première étape sensée la plus rapide pour un pipeline d'ingestion de PDF : il répond si un document a besoin d'OCR avant que vous ne payiez pour cela. La classification échantillonne huit pages en dizaines de millisecondes et renvoie un routage par page, si bien qu'un rapport mixte de 300 pages n'envoie que ses pages scannées à un parseur coûteux.
Le propre benchmark de Firecrawl sur le corpus de 200 documents opendataloader-bench le place premier parmi les parseurs locaux non basés sur un modèle : un score global de 0,875 contre 0,873 pour LiteParse, 0,735 pour PyMuPDF4LLM et 0,589 pour MarkItDown, avec la structure des tableaux à 0,814 contre 0,693 pour LiteParse. Le corpus complet a pris 0,47 seconde sur un Apple M4 Pro, contre environ 16 secondes pour MarkItDown. Ce sont les chiffres du fournisseur, avec les configurations publiées dans une branche reproductible, et la comparaison exclut délibérément les parseurs basés sur un modèle comme Docling et Marker.
Cette exclusion est la limite. Les titres viennent des ratios de taille de police et les tableaux des rectangles dessinés et de l'alignement du texte, ce qui fonctionne sur les rapports, articles et factures produits par logiciel mais pas sur les scans, photos ou écriture manuscrite. L'OCR sélectif existe mais importe PDFium et ONNX Runtime comme installations séparées, moment où Docling ou un parseur hébergé est l'outil plus complet.
Le build WebAssembly est la partie inhabituelle : le même parseur tourne dans un navigateur ou un Web Worker, si bien qu'une appli web peut prévisualiser du Markdown d'un PDF téléversé sans aller-retour serveur.
Là où il fait la différence
Un ingénieur données dans une fintech qui ingère 50 000 relevés bancaires et déclarations par mois
Arrêter d'envoyer chaque PDF à une API OCR payante
Lancez detect-pdf d'abord et n'envoyez que les pages qu'il signale au service d'OCR ; le propre chiffre de Firecrawl est qu'environ 54 % des PDF n'ont besoin d'aucun OCR. Le parseur est gratuit et tourne sur les workers existants.
Un développeur front-end dans une start-up de documents juridiques
Montrer un aperçu Markdown d'un contrat téléversé avant qu'il ne quitte le navigateur
Chargez @firecrawl/pdf-inspector-wasm dans un Web Worker et convertissez le fichier côté client ; pas de coût serveur et le document n'est pas téléversé jusqu'à ce que l'utilisateur confirme.
Un développeur qui câble des PDF dans Claude Code ou un autre agent de code
Donner à l'agent du texte propre d'articles de recherche sans parseur lourd
pip install pdf-inspector et appelez process_pdf, ou lancez pdf2md --compact depuis le shell de l'agent ; repliez-vous sur Docling pour les pages marquées comme scannées.
Avant de vous engager
- Mise en route
- pip install pdf-inspector, npm install @firecrawl/pdf-inspector, le paquet -wasm pour les navigateurs, ou cargo install pdf-inspector pour les CLI pdf2md et detect-pdf ; premier Markdown en une minute.
- Intégrations
- API Python (PyO3), Node.js et Bun (napi-rs), WebAssembly navigateur et Rust ; sortie JSON avec des items de texte positionnés ; OCR PP-OCRv6 Small optionnel avec recommandations de repli hébergé.
- Données et confidentialité
- Tourne entièrement en local, y compris dans le navigateur ; le build par défaut ne fait aucun appel réseau. Licence MIT sans limites commerciales.
- Coût à grande échelle
- Gratuit ; CPU uniquement sur le chemin par défaut. Le benchmark de Firecrawl a traité 200 PDF en moins d'une demi-seconde sur un seul portable, si bien que le calcul est rarement le goulot d'étranglement.
- Limites
- 249 issues et pull requests ouvertes ; les scans et photos ont besoin d'OCR ou d'un autre parseur ; la détection de titres et de tableaux est heuristique ; le benchmark laisse de côté les parseurs basés sur un modèle.
Les points forts
- Classe un PDF en environ 10 à 50 ms avec un routage OCR par page
- Meilleurs scores global et de tableaux parmi les parseurs locaux non basés sur un modèle dans le benchmark de Firecrawl
- Python, Node, WebAssembly, Rust et CLI depuis une seule base de code
- Pas de dépendances ML sur le chemin par défaut
Les points faibles
- Le benchmark est celui du fournisseur et exclut les parseurs basés sur un modèle
- Les titres et tableaux heuristiques manquent les mises en page inhabituelles
- L'OCR a besoin de PDFium et ONNX Runtime installés séparément
- Aucune aide pour les scans au-delà de les router ailleurs
Idéal pour
Les ingénieurs qui construisent des pipelines RAG ou d'agents sur des PDF surtout numériques et veulent une extraction locale et rapide et une décision scan-ou-texte bon marché.
Alternatives à pdf-inspector
pdf-inspector : questions fréquentes
- pdf-inspector vaut-il le coup ?
- pdf-inspector devrait être le premier arrêt de tout pipeline PDF, car l'appel OCR le moins cher est celui que vous ne faites jamais. Nous lui donnons 4.2 sur 5.
- Combien coûte pdf-inspector ?
- Gratuit sous la licence MIT.
- Quels sont les inconvénients de pdf-inspector ?
- Le benchmark est celui du fournisseur et exclut les parseurs basés sur un modèle; les titres et tableaux heuristiques manquent les mises en page inhabituelles; l'OCR a besoin de PDFium et ONNX Runtime installés séparément; aucune aide pour les scans au-delà de les router ailleurs.
- À qui s’adresse pdf-inspector ?
- Les ingénieurs qui construisent des pipelines RAG ou d'agents sur des PDF surtout numériques et veulent une extraction locale et rapide et une décision scan-ou-texte bon marché.
- Combien coûte pdf-inspector pour une équipe ou en production ?
- Gratuit ; CPU uniquement sur le chemin par défaut. Le benchmark de Firecrawl a traité 200 PDF en moins d'une demi-seconde sur un seul portable, si bien que le calcul est rarement le goulot d'étranglement.
- pdf-inspector est-il sûr pour les données de l’entreprise ?
- Tourne entièrement en local, y compris dans le navigateur ; le build par défaut ne fait aucun appel réseau. Licence MIT sans limites commerciales.
- Quelles sont les meilleures alternatives à pdf-inspector ?
- Les alternatives les plus proches que nous avons testées sont Docling, Marker, MarkItDown et Unstructured.
Réponses vérifiées le 26 oct. 2026.