Skip to content
PDF Oxide

PDF Oxide vs pypdf

PDF Oxide ist 15× schneller als pypdf, hat eine höhere Trefferquote und bringt Rendering, Markdown-/HTML-Export, OCR und Formularbearbeitung direkt mit. Was bei pypdf nur mit einem Stapel zusätzlicher Pakete zusammenspielt, erledigt PDF Oxide in einer einzigen Bibliothek.

Warum PDF Oxide statt pypdf

Tempo. pypdf ist reines Python. PDF Oxide hat einen Rust-Kern, der per PyO3 angebunden ist und direkt im Python-Prozess läuft. Mittlere Textextraktion: 0,8 ms gegenüber 12,1 ms — Faktor 15.

Zuverlässigkeit. PDF Oxide besteht alle 3.830 Test-PDFs zu 100 %. pypdf kommt auf 98,4 % und scheitert an 61 gültigen Dateien.

Funktionsumfang. pypdf ist in erster Linie eine Manipulations-Bibliothek (mergen, splitten, drehen, verschlüsseln). Für Textextraktion, Rendering, Markdown-Ausgabe oder Formularerstellung brauchen Sie Zusatzpakete. PDF Oxide deckt all das mit einer Installation ab.

Vergleich auf einen Blick

PDF Oxide pypdf
Mittlere Extraktionszeit 0,8 ms 12,1 ms
Trefferquote (3.830 PDFs) 100 % 98,4 %
Lizenz MIT BSD-3
Sprache Rust + PyO3 reines Python
Textextraktion Ja Ja
Zeichenpositionen Ja teilweise
Bildextraktion Ja Ja
Markdown-Ausgabe Ja Nein
HTML-Ausgabe Ja Nein
PDF-Erzeugung Ja (Markdown/HTML/Bilder) begrenzt (nur Zusammenführen)
Formularfelder Lesen + Schreiben Lesen + Schreiben
Verschlüsselung Lesen + Schreiben Lesen + Schreiben
Rendering Ja Nein
OCR eingebaut Nein
Suche Regex + räumlich Nein
Installationsgröße ~5 MB ~1 MB

Code im direkten Vergleich

Textextraktion

PDF Oxide:

from pdf_oxide import PdfDocument

doc = PdfDocument("report.pdf")
text = doc.extract_text(0)
print(text)

pypdf:

from pypdf import PdfReader

reader = PdfReader("report.pdf")
text = reader.pages[0].extract_text()
print(text)

Alle Seiten durchgehen

PDF Oxide:

from pdf_oxide import PdfDocument

doc = PdfDocument("book.pdf")
for i in range(doc.page_count()):
    text = doc.extract_text(i)
    print(f"--- Page {i + 1} ---")
    print(text)

pypdf:

from pypdf import PdfReader

reader = PdfReader("book.pdf")
for page in reader.pages:
    text = page.extract_text()
    print(text)

Bildextraktion

PDF Oxide:

from pdf_oxide import PdfDocument

doc = PdfDocument("report.pdf")
images = doc.extract_image_bytes(0)
for i, img in enumerate(images):
    with open(f"image_{i}.{img['format']}", "wb") as f:
        f.write(img["data"])

pypdf:

from pypdf import PdfReader

reader = PdfReader("report.pdf")
page = reader.pages[0]
for i, image in enumerate(page.images):
    with open(f"image_{i}.{image.name.split('.')[-1]}", "wb") as f:
        f.write(image.data)

Verschlüsselte PDFs

PDF Oxide:

from pdf_oxide import PdfDocument

doc = PdfDocument("encrypted.pdf", password="secret")
text = doc.extract_text(0)

pypdf:

from pypdf import PdfReader

reader = PdfReader("encrypted.pdf")
reader.decrypt("secret")
text = reader.pages[0].extract_text()

Markdown-Konvertierung

PDF Oxide (eingebaut):

from pdf_oxide import PdfDocument

doc = PdfDocument("paper.pdf")
md = doc.to_markdown(0, detect_headings=True)
print(md)

pypdf:

# pypdf konvertiert nicht nach Markdown.
# Dafür brauchen Sie eine separate Toolchain.

Details zum Benchmark

Metrik PDF Oxide pypdf
Mittlere Extraktionszeit 0,8 ms 12,1 ms
Extraktionszeit p99 9 ms 97 ms
Trefferquote (gültige PDFs) 100 % (3.823/3.823) 98,4 % (3.762/3.823)

Weil pypdf durchweg in Python läuft, wandert jede Operation durch den Interpreter. Der Rust-Kern von PDF Oxide erledigt Parsing, Schriftdekodierung und Textaufbau nativ; nur das fertige Ergebnis überschreitet die Python-Grenze.

Zum Korpus siehe die vollständige Benchmark-Methodik.

Funktionslücke

pypdf ist stark bei der PDF-Manipulation — mergen, splitten, drehen, verschlüsseln. Dafür fehlt:

Funktion PDF Oxide pypdf
Markdown-Konvertierung doc.to_markdown(0) nicht verfügbar
HTML-Konvertierung doc.to_html(0) nicht verfügbar
PDF aus Inhalt erzeugen Pdf.from_markdown(), Pdf.from_html() nicht verfügbar
Rendering zu Bildern Ja nicht verfügbar
OCR für gescannte PDFs eingebautes PaddleOCR nicht verfügbar
Textsuche doc.search("query") nicht verfügbar
Bounding-Boxes pro Zeichen doc.extract_chars(0) teilweise
PDF/A-Validierung Ja nicht verfügbar

Wenn Ihre Pipeline ausschließlich mergen/splitten/drehen umfasst, ist pypdf mit seinem schlanken Pure-Python-Ansatz eine vernünftige Wahl. Sobald Qualität der Textextraktion, Erzeugung oder Konvertierung dazukommen, ist PDF Oxide die vollständigere Option.

Wann pypdf weiterhin sinnvoll ist

  • Sie brauchen eine reine Python-Abhängigkeit ohne kompilierte Erweiterungen
  • Ihr Szenario ist strikt mergen/splitten/drehen/verschlüsseln ohne Textextraktion
  • Sie benötigen spezifische pypdf-Methoden für eine Legacy-Integration

Verwandte Seiten