Introducing Fire-PDF：Firecrawl 全新的 PDF 解析引擎

什么是 Fire-PDF？

Fire-PDF 是我们基于 Rust 开发的全新 PDF 解析引擎。

它可以将任何 PDF 文件（无论是扫描版、纯文本版还是混合版）转换为结构化的 Markdown 文档。我们开源的 Rust 库 pdf-inspector 能在几毫秒内完成页面分类。纯文本版页面直接进行原生提取，完全跳过 GPU 处理。只有扫描版或图像密集型内容才会经过神经布局模型和 OCR 处理。

结果是生成了清晰的 Markdown 文件，阅读顺序正确，表格得以保留，LaTeX 公式得以保留，并且多列结构也正确。

Fire-PDF 如何将网页数据提取速度提升 5 倍

与我们之前的 PDF 解析器相比，Fire-PDF 的速度提高了 3.5-5.7 倍——平均每页不到 400 毫秒。

速度来源于两个方面：

首先，基于文本的页面永远不会经过 GPU——它们可以通过 pdf-inspector 在几毫秒内进行原生提取。

其次，GPU 集群使用基于通道的路由来按文档大小隔离请求，因此 200 页的报告永远不会影响单页发票的延迟。

更智能地处理 GPU 访问请求

大多数文档并未完全扫描。一份财务报告可能包含 150 页文本内容和 60 页扫描件。在我们之前的流程中，所有文件都会经过 OCR 识别。

使用 Fire-PDF，只有需要的页面才会执行 PDF 操作。

pdf-inspector 是我们开源的 Rust 库，它通过分析 PDF 内部结构（字体编码、文本运算符和图像覆盖率）在几毫秒内对每个页面进行分类，而无需渲染。

• 基于文本的页面可立即提取原生信息。
• 只有扫描页面或图像量大的页面才会经过 GPU 处理。
• 对于混合文档，这可以消除大部分页面的 GPU 处理，从而直接提高处理速度并降低成本。

复杂文档的布局感知精度

如果表格显示混乱或多列文本顺序错乱，仅仅速度快是不够的。Fire-PDF 使用神经文档布局模型，分别检测文本块、表格、公式、图像、页眉和页脚，然后正确处理每种区域类型。

• 表格享有更高的令牌限制，并且最多有 25 秒的时间来生成准确的 Markdown 表格输出。
• 公式会获得公式特定的提示，并在 LaTeX 中保留。
• 为了提高效率，文本区域的预算被严格限制在 12 秒以内，每个区域最多 256 个令牌。
• 阅读顺序由神经系统预测，对于多列布局，则采用 XY 切割投影作为备选方案。

每个区域都采用针对特定区域调整的参数，而不是采用一刀切的 OCR 算法。这种差异在以前识别为乱码的文档上体现得尤为明显。例如：财务报表、包含公式的学术论文、列密集的法律文件。

管道的工作原理

Fire-PDF 会对每个 PDF 文件进行五个阶段的处理：

1. 分类 —— pdf-inspector 会在几毫秒内扫描 PDF 的内部结构，并将每一页分类为纯文本或需要 OCR 识别。
2. 渲染 —— 需要进行 OCR 识别的页面将以 200 DPI 的分辨率渲染成图像。过大的页面将自动进行尺寸裁剪或截断。
3. 布局检测 —— 渲染后的图像会经过 GPU 上的神经文档布局模型进行处理，返回边界框、元素类型和阅读顺序。
4. 提取 —— 基于文本的页面使用原生提取方式（不使用 GPU）。扫描区域会根据任务类型和参数，发送到视觉语言模型（GLM-OCR）。
5. 组装 —— 结果按阅读顺序排序并组装成 Markdown 格式。表格转换为 Markdown 表格。公式保留在 LaTeX 中。几何去重功能可移除重叠的检测结果。