pdf-inspectorとは？
pdf-inspectorは、2つの役割を果たすFirecrawl製のRustライブラリです。8ページのコンテンツストリームをサンプリングすることにより、約10〜50ミリ秒でPDFをテキストベース、スキャン、画像ベース、または混在型に分類 し、どのページにOCRが必要かをリストアップします。テキストページについては、配置されたテキストを抽出し、見出し、リスト、表、太字、斜体、複数列の読み取り順序を維持したMarkdownへと変換します。
Firecrawlは、OCRを必要としない約54%のPDFをOCRパイプラインから除外するために本ツールを開発しました。Python（pip install pdf-inspector）、Node.js、ブラウザ用WebAssembly、Rust向けのバインディングに加え、pdf2mdおよびdetect-pdfコマンドラインツールが存在します。オプションの選択的OCRにはPP-OCRv6 Smallが使用され、PDFiumとONNX Runtimeは個別にインストールします。
MITライセンスで提供されています。2026年9月28日にv1.25.2がリリースされ、最終コミットは10月7日に行われました。
pdf-inspectorは使う価値があるか？
pdf-inspectorは、PDF取り込みパイプラインにおいて最も合理的で高速な初期ステージです。費用を支払う前に、文書にOCRが必要かどうかを判定します。分類処理は8ページを数十ミリ秒でサンプリングし、ページ単位のルーティング結果を返します。これにより、300ページの混在レポートであっても、スキャンされたページのみを高価なパーサーに送信できます。
200文書で構成されるopendataloader-benchコーパスを用いたFirecrawl独自のベンチマークでは、ローカルで動作する非モデル系パーサーの中で第1位となっています。総合スコアはLiteParseの0.873、PyMuPDF4LLMの0.735、MarkItDownの0.589に対して0.875であり、表構造のスコアはLiteParseの0.693に対して0.814を記録しました。コーパス全体の処理時間は、MarkItDownが約16秒かかったのに対し、Apple M4 Pro上で0.47秒でした。これらはベンダーによる数値であり、設定は再現可能なブランチで公開されていますが、比較対象からはDoclingやMarkerなどのモデルベースのパーサーが意図的に除外されています。
この除外が機能の限界を示しています。見出しはフォントサイズの比率から判定され、表は描画された矩形とテキストの配置から判定されます。これはソフトウェアで生成されたレポート、論文、請求書には機能しますが、スキャン画像、写真、手書き文字には機能しません。選択的OCRも存在しますが、PDFiumとONNX Runtimeを個別にインストールする必要があり、その段階になるとDoclingやホスト型パーサーの方がより完全なツールとなります。
WebAssemblyビルドは特筆すべき部分です。同一のパーサーがブラウザやWeb Worker内で動作するため、Webアプリケーションはサーバーとの往復通信なしに、アップロードされたPDFからMarkdownのプレビューを生成できます。
真価を発揮する場面
月間50,000件の銀行取引明細書や提出書類を取り込むフィンテック企業のデータエンジニア
すべてのPDFを有料のOCR APIに送信するのを停止することです
最初にdetect-pdfを実行し、フラグが立てられたページのみをOCRサービスに送信します。Firecrawl独自のデータによると、PDFの約54%はOCRをまったく必要としません。パーサーは無料であり、既存のワーカー上で動作します。
法律文書関連のスタートアップに所属するフロントエンドエンジニア
アップロードされた契約書がブラウザから送信される前に、Markdownプレビューを表示することです
Web Worker内で@firecrawl/pdf-inspector-wasmを読み込み、クライアント側でファイルを変換します。サーバーコストは発生せず、ユーザーが確認するまで文書はアップロードされません。
Claude Codeや他のコーディングエージェントにPDFを連携させるエンジニア
重量級のパーサーを使わずに、研究論文からクリーンなテキストをエージェントに渡すことです
pip install pdf-inspectorを実行してprocess_pdfを呼び出すか、エージェントのシェルからpdf2md --compactを実行します。スキャン済みと判定されたページについてはDoclingへフォールバックします。
導入前に確認すること
- 導入
- pip install pdf-inspector、npm install @firecrawl/pdf-inspector、ブラウザ向けの-wasmパッケージ、またはpdf2mdとdetect-pdfのCLIを利用するためのcargo install pdf-inspectorを実行します。1分で最初のMarkdownが得られます。
- 連携
- Python（PyO3）、Node.jsおよびBun（napi-rs）、ブラウザ用WebAssembly、Rustの各APIに対応しています。位置情報付きテキスト項目を含むJSON出力が可能です。ホスト型へのフォールバック推奨機能を備えたPP-OCRv6 Small OCRをオプションで利用できます。
- データとプライバシー
- ブラウザ内を含め、完全にローカルで動作します。デフォルトのビルドではネットワーク通信を行いません。商用利用の制限がないMITライセンスです。
- 大規模利用時のコスト
- 無料です。デフォルトのパスではCPUのみを使用します。Firecrawlのベンチマークでは1台のノートPCで200件のPDFを0.5秒未満で処理できたため、計算資源がボトルネックになることは稀です。
- 制限
- 249件のオープンなissueとプルリクエストが存在します。スキャン画像や写真にはOCRまたは別のパーサーが必要です。見出しと表の検出はヒューリスティックに基づいています。ベンチマークにはモデルベースのパーサーが含まれていません。
良い点
- PDFを約10〜50ミリ秒で分類し、ページ単位でOCRのルーティングを行います
- Firecrawlのベンチマークにおいて、ローカル非モデル系パーサーの中で総合スコアと表スコアの最高値を記録しています
- 単一のコードベースからPython、Node、WebAssembly、Rust、CLIを提供します
- デフォルトのパスでは機械学習の依存関係がありません
気になる点
- ベンチマークはベンダー独自のものであり、モデルベースのパーサーが除外されています
- ヒューリスティックによる見出しと表の検出は、変則的なレイアウトに対応できません
- OCRにはPDFiumとONNX Runtimeの個別インストールが必要です
- スキャン文書に対しては、他へルーティングする以上の処理は行いません
おすすめの人
大半がデジタル生成されたPDFを対象にRAGやエージェントパイプラインを構築しており、ローカルでの高速な抽出と安価なスキャン判定を求めるエンジニアに適しています。
pdf-inspectorの代替
pdf-inspector：よくある質問
- pdf-inspectorは使う価値があるか？
- もっとも安価なOCR呼び出しとは実行自体を 行わないことであるため、pdf-inspectorはあらゆるPDFパイプラインの最初のステップにするべきです。 評価は5点満点中4.2点です。
- pdf-inspectorの料金は？
- MITライセンスのもとで無料です。
- pdf-inspectorの欠点は？
- ベンチマークはベンダー独自のものであり、モデルベースのパーサーが除外されています; ヒューリスティックによる見出しと表の検出は、変則的なレイアウトに対応できません; OCRにはPDFiumとONNX Runtimeの個別インストールが必要です; スキャン文書に対しては、他へルーティングする以上の処理は行いません.
- pdf-inspectorは誰に向いているか？
- 大半がデジタル生成されたPDFを対象にRAGやエージェントパイプラインを構築しており、ローカルでの高速な抽出と安価なスキャン判定を求めるエンジニアに適しています。
- チームや本番環境でpdf-inspectorを使うと費用はいくらか？
- 無料です。デフォルトのパスではCPUのみを使用します。Firecrawlのベンチマークでは1台のノートPCで200件のPDFを0.5秒未満で処理できたため、計算資源がボトルネックになることは稀です。
- pdf-inspectorは企業データを扱っても安全か？
- ブラウザ内を含め、完全にローカルで動作します。デフォルトのビルドではネットワーク通信を行いません。商用利用の制限 がないMITライセンスです。
- pdf-inspectorの代わりになるものは？
- 当サイトでレビューした中で最も近い代替はDocling, Marker, MarkItDown 、 Unstructuredです。
回答確認日：2026年10月26日