pdf-inspector：一半的PDF根本不用过OCR

Firecrawl开源了pdf-inspector，一个Rust库，10到50毫秒回答一个问题：这个PDF到底需不需要OCR？他们的数据：大约54%的PDF是文本型的，根本不需要。本地分类、带坐标和字体信息的文本提取、直接转成干净的Markdown（标题、表格、代码块都保留），只把真正的扫描件路由给昂贵的OCR服务。一天涨了1700多星，总量8千星，MIT协议，Python、Node、浏览器WASM、CLI全有。

为什么这算agent新闻：所有文档工作流——RAG管道、读合同读发票读论文的agent——一直在给每一个PDF交OCR税，因为没人信得过一个便宜的办法来做区分。视觉模型OCR每页要花真金白银、加几秒延迟；一个200毫秒内跑完的本地Rust预检，在他们的提取benchmark上拿0.875（五个对手里最高），把默认管道从"全部过OCR"变成"只让那46%该过的过"。只有一个依赖（lopdf），双模式表格检测，CID字体、RTL文字、多栏排版都处理。

Firecrawl一直在重复同一个动作：找到agent数据摄入栈里最无聊的卡点，写个快的，开源。无聊的卡点才是基础设施复利所在。

仓库：https://github.com/firecrawl/pdf-inspector