대규모 언어 모델(LLM)에 PDF 문서를 입력할 때, OCR 없이 텍스트를 직접 추출하는 pdf-inspector 오픈소스

요약

Firecrawl 팀이 공개한 pdf-inspector는 PDF가 텍스트 기반인지 스캔 기반인지 자동으로 판단하여 OCR 없이 텍스트를 추출하는 오픈소스 도구입니다. 표 감지, 레이아웃 인식, 제목 계층 구조 복원을 지원하며 Markdown 형식으로 깔끔하게 변환합니다.

핵심 포인트

• PDF 유형을 자동 판단하여 불필요한 OCR 과정 생략
• 최대 200ms 이내의 빠른 텍스트 추출 속도
• 표, 다단 레이아웃, 제목 계층 구조를 지원하는 Markdown 변환
• Python, Node.js, Rust 및 WebAssembly 기반 브라우저 지원