pdf-inspector의 개요
pdf-inspector는 Firecrawl의 Rust 라이브러리로 두 가지 일을 합니다. 여덟 페이지의 콘텐츠 스트림을 표본 추출해 약 10에서 50밀리초 만에 PDF를 텍스트 기반, 스캔, 이미지 기반, 혼합으로 분류하고, 어느 페이지에 OCR이 필요한지 나열합니다. 텍스트 페이지에서는 위치가 붙은 텍스트를 추출해 제목, 목록, 표, 굵게와 기울임, 다단 읽기 순서를 갖춘 Markdown으로 바꿉니다.
Firecrawl은 OCR이 필요 없는 약 54%의 PDF를 자사 OCR 파이프라인에서 떼어 내려고 이를 만들었습니다. Python(pip install pdf-inspector), Node.js, 브라우저 WebAssembly, Rust용 바인딩과 pdf2md, detect-pdf 명령줄 도구가 있습니다. 선택적 부분 OCR은 PP-OCRv6 Small을 쓰며, PDFium과 ONNX Runtime은 따로 설치합니다.
MIT 라이선스이며, v1.25.2는 2026년 9월 28일에 나왔고 마지막 커밋은 10월 7일입니다.
pdf-inspector, 쓸 만한 가치가 있습니까?
pdf-inspector는 PDF 수집 파이프라인의 가장 빠르고 합리적인 첫 단계입니다. 비용을 내기 전에 문서에 OCR이 필요한지 답합니다. 분류는 수십 밀리초 만에 여덟 페이지를 표본 추출해 페이지별 경로를 돌려주므로, 300페이지짜리 혼합 보고서는 스캔된 페이지만 비싼 파서로 보냅니다.
200개 문서로 된 opendataloader-bench 코퍼스에서 Firecrawl 자체 벤치마크는 이를 모델을 쓰지 않는 로컬 파서 가운데 1위에 올립니다. 종합 점수 0.875로 LiteParse 0.873, PyMuPDF4LLM 0.735, MarkItDown 0.589를 앞서고, 표 구조는 0.814로 LiteParse의 0.693을 앞섭니다. 전체 코퍼스는 Apple M4 Pro에서 0.47초가 걸렸고, MarkItDown은 약 16초였습니다. 이는 업체 수치이며, 설정은 재현 가능한 브랜치로 공개됐고, 비교는 Docling과 Marker 같은 모델 기반 파서를 의도적으로 뺐습니다.
그 제외가 곧 한계입니다. 제목은 글꼴 크기 비율에서, 표는 그려진 사각형과 텍스트 정렬에서 나오므로, 소프트웨어로 만든 보고서, 논문, 송장에는 통하지만 스캔본, 사진, 손글씨에는 통하지 않습니다. 부분 OCR이 있지만 PDFium과 ONNX Runtime을 별도로 설치해야 하며, 그 시점에서는 Docling이나 호스팅 파서가 더 완전한 도구입니다.
특이한 부분은 WebAssembly 빌드입니다. 같은 파서가 브라우저나 Web Worker에서 돌기 때문에, 웹 앱이 서버 왕복 없이 업로드된 PDF의 Markdown 미리 보기를 보여 줄 수 있습니다.
제 역할을 하는 곳
매달 은행 명세서와 공시 50,000건을 수집하는 핀테크의 데이터 엔지니어
모든 PDF를 유료 OCR API로 보내는 일 멈추기
먼저 detect-pdf를 돌리고 표시된 페이지만 OCR 서비스로 보냅니다. Firecrawl 자체 수치로는 PDF의 약 54%는 OCR이 전혀 필요 없습니다. 파서는 무료이고 기존 워커에서 돕니다.
리걸 문서 스타트업의 프런트엔드 개발자
업로드된 계약서가 브라우저를 떠나기 전에 Markdown 미리 보기 보여 주기
Web Worker에서 @firecrawl/pdf-inspector-wasm을 불러와 클라이언트 쪽에서 파일을 변환합니다. 서버 비용이 없고, 사용자가 확인하기 전까지 문서는 업로드되지 않습니다.
Claude Code 등 코딩 에이전트에 PDF를 연결하는 개발자
무거운 파서 없이 에이전트에 연구 논문의 깔끔한 텍스트 주기
pip install pdf-inspector 후 process_pdf를 호출하거나 에이전트의 셸에서 pdf2md --compact를 실행하고, 스캔으로 표시된 페이지는 Docling으로 넘깁니다.
도입 전 확인할 점
- 설정
- pip install pdf-inspector, npm install @firecrawl/pdf-inspector, 브라우저용 -wasm 패키지, 또는 pdf2md와 detect-pdf CLI를 위한 cargo install pdf-inspector를 씁니다. 첫 Markdown까지 1분이면 됩니다.
- 연동
- Python(PyO3), Node.js와 Bun(napi-rs), 브라우저 WebAssembly, Rust API. 위치가 붙은 텍스트 항목을 담은 JSON 출력. 호스팅 대체 경로 권장이 있는 선택적 PP-OCRv6 Small OCR.
- 데이터와 개인정보
- 브라우저를 포함해 완전히 로컬에서 실행되며, 기본 빌드는 네트워크 호출을 하지 않습니다. 상업적 제한이 없는 MIT 라이선스.
- 대규모 사용 시 비용
- 무료이며 기본 경로는 CPU 전용입니다. Firecrawl 벤치마크는 노트북 한 대에서 PDF 200개를 0.5초 안에 처리했으므로 연산이 병목이 되는 일은 드뭅니다.
- 제한
- 열린 이슈와 풀 리퀘스트 249개. 스캔본과 사진에는 OCR이나 다른 파서 필요. 제목과 표 인식은 휴리스틱. 벤치마크가 모델 기반 파서를 뺌.
좋은 점
- 약 10에서 50 ms에 PDF를 분류하고 페이지별 OCR 경로 제공
- Firecrawl 벤치마크에서 모델 없는 로컬 파서 중 종합과 표 점수 1위
- 하나의 코드베이스로 Python, Node, WebAssembly, Rust, CLI
- 기본 경로에 ML 의존성 없음
아쉬운 점
- 벤치마크는 업체 자체 측정이며 모델 기반 파서를 제외
- 휴리스틱 제목과 표 인식은 특이한 레이아웃을 놓침
- OCR에는 PDFium과 ONNX Runtime 별도 설치 필요
- 스캔본은 다른 곳으로 보내는 것 외에 도움이 없음
추천 대상
주로 디지털 PDF를 다루는 RAG나 에이전트 파이프라인을 만들며 빠른 로컬 추출과 저렴한 스캔 여부 판단을 원하는 엔지니어.
pdf-inspector 대안
pdf-inspector: 자주 묻는 질문
- pdf-inspector, 쓸 만한 가치가 있습니까?
- 가장 싼 OCR 호출은 하지 않는 호출이므로, pdf-inspector는 모든 PDF 파이프라인의 첫 단계가 되어야 합니다. 평점은 5점 만점에 4.2점입니다.
- pdf-inspector의 가격은 얼마입니까?
- MIT 라이선스로 무료입니다.
- pdf-inspector의 단점은 무엇입니까?
- 벤치마크는 업체 자체 측정이며 모델 기반 파서를 제외; 휴리스틱 제목과 표 인식은 특이한 레이아웃을 놓침; OCR에는 PDFium과 ONNX Runtime 별도 설치 필요; 스캔본은 다른 곳으로 보내는 것 외에 도움이 없음.
- pdf-inspector에 적합한 사람은 누구입니까?
- 주로 디지털 PDF를 다루는 RAG나 에이전트 파이프라인을 만들며 빠른 로컬 추출과 저렴한 스캔 여부 판단을 원하는 엔지니어.
- 팀이나 프로덕션 환경에서 pdf-inspector의 비용은 얼마입니까?
- 무료이며 기본 경로는 CPU 전용입니다. Firecrawl 벤치마크는 노트북 한 대에서 PDF 200개를 0.5초 안에 처리했으므로 연산이 병목이 되는 일은 드뭅니다.
- pdf-inspector에 회사 데이터를 맡겨도 안전합니까?
- 브라우저를 포함해 완전히 로컬에서 실행되며, 기본 빌드는 네트워크 호출을 하지 않습니다. 상업적 제한이 없는 MIT 라이선스.
- pdf-inspector의 가장 좋은 대안은 무엇입니까?
- 저희가 리뷰한 것 중 가장 가까운 대안은 Docling, Marker, MarkItDown 및 Unstructured입니다.
답변 확인일: 2026년 10월 26일.
pdf-inspector 개발사입니까? 이 평점을 사이트에 표시하십시오
