pdf‑inspector là thư viện Rust được Firecrawl phát triển để phân loại và trích xuất nội dung PDF một cách siêu nhanh, chỉ trong vòng dưới 200 ms cho các tệp PDF dựa trên văn bản.
Thư viện tự động nhận diện PDF dạng text‑based, scanned, image‑based hoặc mixed, sau đó chuyển nội dung sang Markdown có vị trí chính xác mà không cần tới OCR. Trong bộ benchmark trên corpus opendataloader‑bench (200 tài liệu) chạy trên Apple M4 Pro, pdf‑inspector đạt điểm cao nhất về tốc độ, thứ tự đọc và cấu trúc bảng, đồng thời là công cụ nhanh nhất trong các giải pháp không dùng mô hình.
Để dễ dàng tích hợp, dự án cung cấp binding cho Python, Node.js và WebAssembly. Ví dụ, trong Python chỉ cần import pdf_inspector và gọi process_pdf("file.pdf") để nhận pdf_type và markdown. Đối với Node, lệnh npm install @firecrawl/pdf‑inspector cho phép sử dụng processPdf hoặc classifyPdf. Phiên bản WebAssembly có thể khởi tạo trong trình duyệt và xử lý file PDF dưới dạng Uint8Array. Ngoài ra, CLI pdf2md hỗ trợ chuyển PDF sang Markdown, xuất JSON vị trí, hoặc chỉ lấy nội dung thô.
Với khả năng chạy hoàn toàn cục bộ, không phụ thuộc vào dịch vụ OCR đắt tiền, pdf‑inspector giúp các nhà phát triển Việt Nam tiết kiệm thời gian và chi phí khi xử lý báo cáo, hợp đồng, hoá đơn hay tài liệu pháp lý, đồng thời mở ra cơ hội xây dựng các công cụ phân tích tài liệu nội bộ nhanh chóng.
Nguồn: GitHub Trending — Biên dịch & tổng hợp: danhbaai.com