Skip to content
ReviewRamble
ReviewRamble

The weekly brief

AI, reviewed, in your inbox.

  • New reviews of tools, models, MCP servers and repos, with the verdict up front
  • Re-checked prices and ratings when something changes
  • New analysis pieces as they are published

Models, agents, MCP servers and the tools actually worth your time.

One email a week. Unsubscribe with the link in any brief. How we use your email

Ler em inglêsEspañolDeutschFrançais日本語

pdf-inspector

Parser de PDF em Rust da Firecrawl: distingue PDFs de texto de digitalizações em milissegundos e converte os de texto em Markdown sem OCR.

Análise de Sheela · Atualizado

Ver no GitHub Código aberto

Nossa nota

4.2/5

O pdf-inspector deveria ser a primeira parada em qualquer pipeline de PDF, porque a chamada de OCR mais barata é a que você nunca faz.

O que é pdf-inspector?

O pdf-inspector é uma biblioteca em Rust da Firecrawl que faz dois trabalhos. Ele classifica um PDF como baseado em texto, digitalizado, baseado em imagem ou misto, amostrando os content streams de oito páginas em cerca de 10 a 50 milissegundos, e lista quais páginas precisam de OCR. Nas páginas de texto, ele extrai o texto posicionado e o converte em Markdown com títulos, listas, tabelas, negrito e itálico, e ordem de leitura em várias colunas.

A Firecrawl o criou para manter os cerca de 54% de PDFs que não precisam de OCR longe do seu pipeline de OCR. Há bindings para Python (pip install pdf-inspector), Node.js, WebAssembly no navegador e Rust, além das ferramentas de linha de comando pdf2md e detect-pdf. O OCR seletivo opcional usa o PP-OCRv6 Small, com PDFium e ONNX Runtime instalados à parte.

Tem licença MIT; a v1.25.2 foi lançada em 28 de setembro de 2026 e o último commit chegou em 7 de outubro.

pdf-inspector vale a pena?

O pdf-inspector é a primeira etapa sensata mais rápida para um pipeline de ingestão de PDFs: ele responde se um documento precisa de OCR antes que você pague por isso. A classificação amostra oito páginas em dezenas de milissegundos e devolve o roteamento por página, então um relatório misto de 300 páginas envia só as páginas digitalizadas para um parser caro.

O benchmark da própria Firecrawl no corpus opendataloader-bench, de 200 documentos, o coloca em primeiro entre os parsers locais sem modelo: nota geral de 0.875 contra 0.873 do LiteParse, 0.735 do PyMuPDF4LLM e 0.589 do MarkItDown, com estrutura de tabelas em 0.814 contra 0.693 do LiteParse. O corpus completo levou 0.47 segundos em um Apple M4 Pro, contra cerca de 16 segundos do MarkItDown. São números do fornecedor, com as configurações publicadas em um branch reproduzível, e a comparação exclui de propósito parsers baseados em modelos, como Docling e Marker.

Essa exclusão é o limite. Os títulos vêm de proporções de tamanho de fonte e as tabelas, de retângulos desenhados e do alinhamento do texto, o que funciona em relatórios, artigos e notas fiscais gerados por software, mas não em digitalizações, fotos ou letra à mão. O OCR seletivo existe, mas puxa PDFium e ONNX Runtime como instalações separadas, e nesse ponto o Docling ou um parser hospedado é a ferramenta mais completa.

A build em WebAssembly é a parte incomum: o mesmo parser roda em um navegador ou Web Worker, então um app web pode pré-visualizar o Markdown de um PDF enviado sem ida e volta ao servidor.

Onde ele se destaca

  • Um engenheiro de dados em uma fintech que ingere 50,000 extratos bancários e documentos regulatórios por mês

    Parar de enviar todo PDF para uma API de OCR paga

    Rodar o detect-pdf primeiro e enviar ao serviço de OCR só as páginas que ele sinalizar; o número da própria Firecrawl é que cerca de 54% dos PDFs não precisam de OCR. O parser é gratuito e roda nos workers existentes.

  • Um desenvolvedor front-end em uma startup de documentos jurídicos

    Mostrar uma prévia em Markdown de um contrato enviado antes que ele saia do navegador

    Carregar @firecrawl/pdf-inspector-wasm em um Web Worker e converter o arquivo no cliente; sem custo de servidor, e o documento só é enviado quando o usuário confirma.

  • Um desenvolvedor ligando PDFs ao Claude Code ou a outro agente de programação

    Dar ao agente texto limpo de artigos científicos sem um parser pesado

    pip install pdf-inspector e chamar process_pdf, ou rodar pdf2md --compact no shell do agente; recorrer ao Docling nas páginas marcadas como digitalizadas.

Antes de decidir

Configuração
pip install pdf-inspector, npm install @firecrawl/pdf-inspector, o pacote -wasm para navegadores, ou cargo install pdf-inspector para as CLIs pdf2md e detect-pdf; o primeiro Markdown em um minuto.
Integrações
APIs para Python (PyO3), Node.js e Bun (napi-rs), WebAssembly no navegador e Rust; saída JSON com itens de texto posicionados; OCR opcional com PP-OCRv6 Small, com recomendações de fallback hospedado.
Dados e privacidade
Roda totalmente local, inclusive no navegador; a build padrão não faz chamadas de rede. Licença MIT sem limites comerciais.
Custo em escala
Gratuito; só CPU no caminho padrão. O benchmark da Firecrawl processou 200 PDFs em menos de meio segundo em um notebook, então a computação raramente é o gargalo.
Limites
249 issues e pull requests abertos; digitalizações e fotos exigem OCR ou outro parser; a detecção de títulos e tabelas é heurística; o benchmark deixa de fora os parsers baseados em modelos.

O que é bom

  • Classifica um PDF em cerca de 10 a 50 ms, com roteamento de OCR por página
  • Melhores notas geral e de tabelas entre os parsers locais sem modelo no benchmark da Firecrawl
  • Python, Node, WebAssembly, Rust e CLI a partir de um só código
  • Nenhuma dependência de ML no caminho padrão

O que não é

  • O benchmark é do fornecedor e exclui parsers baseados em modelos
  • Títulos e tabelas heurísticos falham em layouts incomuns
  • O OCR exige PDFium e ONNX Runtime instalados à parte
  • Nenhuma ajuda com digitalizações além de encaminhá-las para outro lugar

Ideal para

Engenheiros que constroem pipelines de RAG ou de agentes sobre PDFs majoritariamente digitais e querem extração local e rápida e uma decisão barata entre digitalização e texto.

Alternativas ao 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: perguntas frequentes

pdf-inspector vale a pena?
O pdf-inspector deveria ser a primeira parada em qualquer pipeline de PDF, porque a chamada de OCR mais barata é a que você nunca faz. Damos nota 4.2 de 5.
Quanto custa pdf-inspector?
Gratuito sob a licença MIT.
Quais são as desvantagens de pdf-inspector?
O benchmark é do fornecedor e exclui parsers baseados em modelos; títulos e tabelas heurísticos falham em layouts incomuns; o OCR exige PDFium e ONNX Runtime instalados à parte; nenhuma ajuda com digitalizações além de encaminhá-las para outro lugar.
Para quem pdf-inspector é indicado?
Engenheiros que constroem pipelines de RAG ou de agentes sobre PDFs majoritariamente digitais e querem extração local e rápida e uma decisão barata entre digitalização e texto.
Quanto custa pdf-inspector para uma equipe ou em produção?
Gratuito; só CPU no caminho padrão. O benchmark da Firecrawl processou 200 PDFs em menos de meio segundo em um notebook, então a computação raramente é o gargalo.
pdf-inspector é seguro para dados da empresa?
Roda totalmente local, inclusive no navegador; a build padrão não faz chamadas de rede. Licença MIT sem limites comerciais.
Quais são as melhores alternativas ao pdf-inspector?
As alternativas mais próximas que analisamos são Docling, Marker, MarkItDown e Unstructured.

Respostas verificadas em 26 de out. de 2026.