PDF Inspector 智能路由

为什么需要智能路由

一个典型的 PDF 管线只有两种选择：要么假设所有页面都是文本，要么把所有页面都送去 OCR。前者遇到扫描件会输出乱码，后者则把明明带有完整文本层页面也跑一遍 OCR——慢 10 到 50 倍，还要为文本页占用 GPU，而且原生文本的识别准确率天然高于 OCR 结果。

PDF Inspector 解决的就是这个问题：在不渲染任何内容的前提下，用毫秒级速度读取 PDF 内部结构，逐页判断内容属于 TextBased、Scanned、ImageBased 还是 Mixed，然后只把真正需要 OCR 的页面路由到视觉管线。

工作原理：毫秒级结构探测

核心流程分四步：

• 读结构：解析字体编码、文本操作符、图像覆盖等信息，全程不渲染页面
• 逐页分类：标记每页为文本、扫描、纯图或混合类型
• 按类型处理：文本页走原生提取并保留阅读顺序；扫描页标记原因后转发给 vision pipeline
• 混合文档智能路由：混合文档中只挑出真正需要 OCR 的页面，文本页直接原生提取

三个底层能力支撑这一判断：

• 字体编码分析：在提取前就能发现编码异常，避免提取出乱码
• 文本操作符检查：理解文字在页面中的摆放方式，支持恢复阅读顺序
• 图像覆盖检测：识别出整页纯图内容，正确归为扫描或图片页

整个库用纯 Rust 实现，零依赖、不依赖系统库，可作为 CLI 工具或 Rust crate 使用，输出干净的 Markdown 结构化文本，方便对接后续 AI 管线。

适用场景与边界

适合这几类场景：

• 构建文档解析管线时做前置分流
• 给 AI/LLM 做 PDF 预处理，减少不必要的 OCR 开销
• 大规模文档转换且需要质量控制的项目
• 文本与扫描混合的文档批处理

需要注意边界：它本身不做渲染、不做 OCR，只负责分类与路由，扫描页的质量仍取决于下游视觉管线。对字体编码损坏严重的 PDF，它能在提取前发现问题，但修复能力不在它的职责范围内。