pdf-inspector im Test: Erst PDF parsen, dann nur nötige Seiten per OCR

pdf-inspector ist ein schneller lokaler PDF-Parser und OCR-Router, aber keine OCR-Engine. Firecrawls Open-Source-Bibliothek in Rust klassifiziert ein Dokument als textbasiert, gescannt, bildbasiert oder gemischt. Sie extrahiert brauchbaren nativen Text als Markdown und meldet, welche Seiten weiterhin OCR benötigen. Darin liegt der wirtschaftliche Nutzen: Die langsamste und teuerste Verarbeitungsstufe läuft nicht mehr über Seiten, die bereits maschinenlesbaren Text enthalten.

Der virale Beitrag nennt 0,002 Sekunden pro Seite. Im Repository steht ein starker Benchmark, aber kein universelles Versprechen mit genau dieser Aussage. Dieser Test trennt Messwert und Social-Media-Claim, zeigt die Grenze von nativem Parsing und liefert ein Entscheidungsmodell für RAG-Ingestion, Rechnungsextraktion, Vertragsrecherche und KI-Agenten.

Was macht pdf-inspector genau?

Das Tool liest zuerst die interne PDF-Struktur, bevor eine Seite gerendert oder ein Modell aufgerufen wird. Der Detector sucht im Seitenbaum nach Text- und Bildoperatoren. Danach rekonstruiert der Extractor Text samt Positionen, Schriftinformationen, Spalten, Links, Listen, Überschriften und Tabellen. Das Ergebnis enthält Konfidenz, Layout-Hinweise und die Seiten, die OCR brauchen.

Die Bibliothek bringt kein OCR-Modell mit. Das ist Absicht. Das offizielle pdf-inspector-Repository beschreibt einen reinen Rust-Parser ohne ML-Modell oder externen Dienst. Firecrawls gehostete Fire-PDF-Pipeline ist ein breiteres Produkt: pdf-inspector übernimmt Klassifikation und native Extraktion, danach bearbeiten Layout-Erkennung und GLM-OCR nur die nötigen Regionen. Wer beide gleichsetzt, bewertet das falsche Produkt.

Verarbeitet das Tool wirklich 200 PDFs in 0,470 Sekunden?

Ja, in Firecrawls veröffentlichtem Direct-Text-Benchmark. Nein, daraus werden nicht zwei Millisekunden für jede beliebige PDF-Seite.

Die Ergebnisse wurden am 31. Juli 2026 aktualisiert. Verglichen wurden pdf-inspector 0.2.6, LiteParse, OpenDataLoader, PyMuPDF4LLM und MarkItDown. Konfiguration und Artefakte sind im Repository verlinkt. Die belastbare Kaufentscheidung lautet daher nicht „überall schnellster PDF-Parser“, sondern „vielversprechender lokaler Standard für PDFs mit nativer Textebene, den wir am eigenen Korpus testen“.

Firecrawl schreibt außerdem, dass rund 54 Prozent der PDFs im eigenen Workload keine OCR brauchen. Das ist eine Herstellerangabe zum eigenen Datenmix, keine allgemeine Verteilung. Lass die Erkennung über die Dokumente der letzten 30 bis 90 Tage laufen, bevor du daraus einen Business Case baust.

Produktionsarchitektur: zuerst klassifizieren, dann eskalieren

1. Sicher annehmen: Datei- und Seitenlimits setzen, Signatur statt MIME-Header prüfen, nutzergesteuerte Dateinamen ersetzen und Uploads außerhalb des Webroots speichern.
2. Isoliert parsen: CPU, Speicher und Laufzeit begrenzen. PDFs von Lieferanten, aus E-Mails und öffentlichen Uploads sind nicht vertrauenswürdig.
3. Einmal klassifizieren: Dokumenttyp, Konfidenz, Seitenzahl, Encoding-Warnungen, komplexes Layout und OCR-Seiten protokollieren.
4. Günstigen Pfad nutzen: nativen Text mit hoher Konfidenz ohne Netzwerkaufruf in Markdown umwandeln.
5. Gezielt eskalieren: nur markierte Seiten oder Regionen rendern und an den freigegebenen OCR-Dienst oder ein lokales Modell senden.
6. Mit Herkunft zusammensetzen: Ergebnisse in ursprünglicher Seitenreihenfolge verbinden. Seitenzahl, Parser-Version, Route, Konfidenz und manuelle Korrekturen erhalten.
7. Output prüfen: leere Seiten, Zeichenqualität, Tabellenform, Summen, Daten, Identifikatoren und Pflichtfelder testen, bevor Indexierung oder Agentenaktion beginnt.

Geschätzter Routing-Wert = vermiedene OCR-Seiten × marginale OCR-Kosten pro Seite, abzüglich Parser-Compute, Engineering und Korrekturaufwand.

Fehlgeschlagene Dokumente bleiben im Nenner. Unser Modell für AI Agent Cost per Action erklärt, warum eine billige Extraktion mit späterer Handkorrektur keine erfolgreiche Aktion ist. Wenn das Markdown in einen Wissensindex fließt, folgt danach die RAG-Production-Readiness-Checkliste für EU-Unternehmen. Dort geht es um Retrieval, Rechte, Evaluation und Antwortquellen. Hier geht es um die PDF-Route vor dem Chunking.

Node.js, Python, Rust oder Browser-WebAssembly?

Laut offizieller WebAssembly-Dokumentation bleiben PDF-Bytes lokal, der Build ist single-threaded, CMaps sind eingebettet und reine Bilddateien brauchen weiterhin OCR. Die Browser-Version eignet sich damit für datensparsamen Preflight, ersetzt aber keine vollständige Document-Intelligence-Plattform.

const result = classifyPdf(pdfBuffer)

if (result.pdfType === "TextBased" && result.confidence >= 0.9) {
  return processPdf(pdfBuffer).markdown
}

const native = processPdf(pdfBuffer).markdown
const scanned = await ocrOnly(pdfBuffer, result.pagesNeedingOcr)
return mergeByPage(native, scanned)

ocrOnly und mergeByPage sind Anwendungscode, keine APIs von pdf-inspector. Den Schwellwert 0,9 solltest du ebenfalls nicht ungeprüft übernehmen. Optimiere zuerst gegen übersehene Scan-Seiten. Bei Rechnungen oder Verträgen kann eine einzige falsch geroutete Seite teurer sein als Tausende korrekt vermiedene OCR-Aufrufe.

Wann pdf-inspector schlecht passt

• Scans, Handschrift und Fotos: Das Tool kann sie routen, aber ohne weitere OCR- oder Vision-Komponente nicht lesen.
• Visuelle Bedeutung ohne codierten Text: Diagramme, Checkboxen, Unterschriften, Stempel und räumliche Beziehungen brauchen eventuell Layout- oder Vision-Modelle.
• Perfekte Rekonstruktion: Überschriften und Tabellen werden aus Schriften, Zeichenoperationen und Ausrichtung abgeleitet. Heuristiken können irren.
• Unbegrenzte öffentliche Uploads: Rust reduziert bestimmte Memory-Safety-Risiken, ersetzt aber keine Limits, Isolation und Dependency-Updates. Die Security Policy nennt präparierte PDFs und Denial of Service ausdrücklich.
• Null Betriebsaufwand: Eine Open-Source-Bibliothek liefert Kontrolle, aber kein SLA, keine Review-Queue und keine automatische Recovery.

OWASP empfiehlt in der File Upload Cheat Sheet mehrere Schutzschichten: erlaubte Typen, Signaturprüfung, Größenlimits, getrennte Speicherung, aktuelle Parser, Malware-Prüfung und Sandboxing. Lokale Verarbeitung kann Datenübertragung senken. Sie macht fremde PDFs nicht vertrauenswürdig.

PDF-Pipeline bauen, kaufen oder hybrid betreiben?

Zehn Tage Evaluation vor der Architekturentscheidung

1. Realität sampeln: mindestens 200 repräsentative PDFs über Sprachen, Quellen, Seitenzahlen und Fehlerfälle auswählen. Präparierte und defekte Dateien separat halten.
2. Route labeln: markieren, welche Seiten nativen Text, OCR, Layout-Verarbeitung oder Ablehnung brauchen.
3. Baseline messen: Qualität, p50 und p95, OCR-Seiten, Korrekturminuten und Kosten pro akzeptiertem Dokument im heutigen System erfassen.
4. pdf-inspector testen: Version und Hardware pinnen. Zuerst Routing-Recall, dann Markdown-Struktur und End-to-End-Durchsatz messen.
5. Ausnahmen bepreisen: vermiedene OCR-Seiten, zusätzliches Engineering, manuelle Reparatur und Kosten eines übersehenen Scans berechnen.
6. Grenze angreifen: große, verschlüsselte, defekte, irreführende und ressourcenintensive PDFs isoliert testen.
7. Mit Gate entscheiden: nur liefern, wenn die Hybridroute Kosten oder Latenz verbessert und vereinbarte Qualitäts- und Sicherheitsgrenzen hält.

Wenn daraus Produktinfrastruktur wird, benchmarken wir mit unserem AI-Enablement-Service den Korpus, bauen die Routing-Schicht und sichern sie mit Evaluation ab. Twinsoft AI zeigt dasselbe Prinzip in einem produktiven KI-System: Qualitäts-Gates und nachvollziehbare Evidenz rund um Modelloutput. Der Leitfaden zur Technologieauswahl für ein MVP hilft früh zu entscheiden, welche Schichten du selbst besitzen und welche du einkaufen solltest.

Primärquellen und Benchmark-Datum

• Firecrawl pdf-inspector Repository und Benchmark, aktualisiert am 31. Juli 2026.
• Offizielle Node.js- und Bun-API-Dokumentation.
• Offizielle Python-API-Dokumentation.
• Offizielle Browser-WebAssembly-Dokumentation.
• Firecrawls Ankündigung der Fire-PDF-Architektur.
• OWASP File Upload Cheat Sheet.