대규모 언어 모델(LLM)에 PDF 문서를 입력할 때, 흔히 사용하는 방식은 먼저 OCR을 실행한 뒤 텍스트를 추출하는 것이지만, 실제로 절반 이상의 PDF는 이미 텍스트 버전이므로 OCR이 전혀 필요하지 않습니다.

Firecrawl 팀이 최근 오픈소스로 공개한 pdf-inspector는 PDF가 텍스트 버전인지 스캔 버전인지를 자동으로 판단하며, 텍스트 버전의 경우 직접 추출하여 Markdown으로 변환합니다.

최대 200밀리초(ms) 내에 추출을 완료하며, 표(Table) 감지, 다단 레이아웃(Multi-column layout) 인식, 제목 계층 구조 복원을 지원하여 출력되는 Markdown 구조가 깔끔합니다.

GitHub: https://t.co/sNFZhS6U0c

Python, Node.js, Rust 및 브라우저 측의 네 가지 인터페이스를 제공하며, 브라우저에서는 WebAssembly를 통해 백엔드 서비스 없이 직접 실행할 수 있습니다.

문서 처리 관련 개발을 하시는 분들이 PDF 사전 분류 및 추출 용도로 사용하기에 매우 적합합니다.