PDF 처리 파이프라인은 대개 파일을 서버로 올린 뒤, OCR이나 문서 파서에 넘기는 순서로 시작합니다. Firecrawl의 pdf-inspector는 첫 단계를 다시 생각하게 합니다.
Rust 라이브러리는 PDF를 한 번 읽고 TextBased, Scanned, ImageBased, Mixed로 분류합니다. 텍스트 기반 문서라면 OCR 서비스로 보내지 않고 로컬에서 텍스트를 추출해 Markdown으로 바꿉니다. 브라우저 WebAssembly와 Web Worker에서도 같은 파서를 돌릴 수 있어 서버 왕복이 없습니다.
여기서 중요한 건 브라우저에서 PDF를 처리한다는 문구보다 판별 위치입니다. 업로드한 파일을 매번 중앙 서버로 넘기기 전에 브라우저 안에서 문서의 성격과 추출 가능성을 확인합니다. 다만 OCR은 포함하지 않으므로 스캔 문서는 분류 결과에 따라 별도 OCR로 라우팅해야 합니다.
README 벤치마크에서는 200개 PDF 기준 전체 점수 0.875, reading order 0.915, tables 0.814, 전체 실행 시간 0.470초를 기록했습니다. 비교 대상 중 표와 읽기 순서, 속도에서 앞섰지만 헤딩 점수는 LiteParse가 더 높았습니다.
결국 이 저장소의 값은 PDF를 브라우저에서도 읽는다는 데서 끝나지 않습니다. 먼저 로컬에서 값싼 판정을 하고 텍스트 PDF에는 빠른 경로를, 스캔 PDF에는 OCR 경로를 붙일 수 있게 합니다. PDF 처리 파이프라인에서 가장 비싼 단계가 항상 첫 단계일 필요는 없습니다.