把一份扫描合同当成普通 PDF 读取，往往只得到空白；反过来，把本来能直接复制文字的报告送去 OCR，又会多花时间和成本，还可能认错字。Rust 库 pdf-inspector 做的就是先分诊：判断 PDF 属于文本型、扫描型、图片型还是混合型，再决定哪些页面需要 OCR——也就是从图片中识别文字。
它会抽样检查 PDF 的内容流，作者称分类约需 10—50 毫秒，并返回置信度和逐页 OCR 路由。文本页则直接提取，还会参考文字坐标处理多栏阅读顺序，并转换成 Markdown。浏览器版借助 WebAssembly——让编译后的程序在网页环境运行——可在本机处理文件，不必上传服务器。
这对 RAG（先从文档找相关片段，再让模型回答）很关键：入库前若连页面类型都判断错，后面再强的模型也可能搜不到正确内容。项目方在 200 份 PDF、关闭 OCR 的本地测试中报告，总分为 0.875，完整处理耗时 0.470 秒；这些结果来自项目自测，适用范围仍以原生文本 PDF 为主。