Firecrawl团队开源OCR It：20ms极速转换PDF为Markdown，速度超越Docling近300倍

事件概述

Y Combinator孵化的明星项目Firecrawl团队近期发布了名为OCR It的开源OCR工具。该工具旨在解决PDF文字提取困难、乱码及LLM无法直接读取的问题，能够以极高的速度将不可复制的PDF文件转化为清晰的Markdown格式。

核心性能与特性

• 极致速度：单份PDF文件的文字提炼与转换仅需20ms。官方数据显示，在处理质量与知名工具Docling旗鼓相当的前提下，OCR It的处理速度提升了近300倍。
• 完全离线：基于捆绑的Tesseract引擎，支持100%离线运行（Offline via Bundled Tesseract），无需网络连接。
• 隐私安全：不需要API Key，安装时不索取网站权限，仅在自动运行或操作跨域iframe时按需申请当前站点权限。
• 平台支持：作为免费浏览器插件，适用于Chrome和Firefox。

使用方法

OCR It提供手动和自动两种模式，用户可通过快捷键高效完成文档识别：

1. 手动模式：
   • 框选识别：按下 Option+Shift+R（Windows/Linux为 Alt+Shift+R）选定区域，按 Enter 保存。
   • 执行识别：按下 Option+Shift+S 开始识别当前页面，识别完成后自动翻页。用户可一边翻页一边触发后台排队任务。
   • 导出：识别完成后，在插件面板检查修改，选择“Copy all”或“Download .txt”导出全文。
2. 自动模式：
   • 按下 Option+Shift+A 或点击“Start auto-run”，工具将自动循环执行“截图—OCR—翻页”流程，直至文档结束。
   • 中途可按 ESC 停止。
3. 智能停止机制：当连续识别到两张相同页面、无法继续翻页、OCR失败或达到300页上限时，工具会自动停止，避免无效抓取。

局限性与现状

尽管速度表现优异，但社区实测反馈指出OCR It目前仍存在局限性：

• 适用场景：非常适合处理版式简单、文字清晰的PDF文档。
• 不足之处：对于包含标题、脚注、表格、数学公式以及正文段落混排的复杂页面，处理能力尚不稳定，存在较大的优化空间。

资源链接

• GitHub仓库：https://github.com/thiagotigaz/ocr-it
• Firecrawl官网：https://www.firecrawl.dev/about