Skip to content
PDF Oxide

PDF Oxide frente a lopdf

lopdf es un crate de Rust de bajo nivel para la manipulación directa de objetos PDF. PDF Oxide es una biblioteca de alto nivel con extracción de texto, creación y edición integradas. Ambas apuntan a casos de uso fundamentalmente distintos.

Diferencias clave

Nivel de abstracción. lopdf te entrega objetos PDF en bruto: diccionarios, streams y tablas de referencias cruzadas. No hay extracción de texto, ni decodificación de fuentes, ni exportación de imágenes. PDF Oxide ofrece métodos diseñados a tal efecto: extract_text(), extract_images(), to_markdown().

Fiabilidad. lopdf no logra analizar el 20 % del corpus de pruebas de 3830 PDF. De los PDF que sí analiza, el 57 % produce una salida vacía porque lopdf no tiene extracción de texto: obtienes los objetos, pero ningún texto. PDF Oxide supera el 100 %.

Velocidad en PDF analizables. lopdf es más rápido en el análisis de objetos en bruto: 0,3 ms de media frente a 0,8 ms de PDF Oxide. Pero lopdf no realiza ningún trabajo de extracción de texto: tendrías que construir tú mismo la decodificación de fuentes, la resolución de CMap, el análisis de espaciado y el orden de lectura.

Comparación rápida

PDF Oxide lopdf
Nivel de la API Alto nivel Bajo nivel
Extracción de texto Integrada (nivel de producción) Ninguna
Tasa de éxito (3830 PDF) 100 % 80,2 %
Tiempo medio de análisis 0,8 ms 0,3 ms
Extracción de imágenes Integrada Manual (streams en bruto)
Campos de formulario Lectura + escritura Manual (diccionarios en bruto)
Creación de PDF Sí (Markdown/HTML) Sí (objetos en bruto)
Salida en Markdown/HTML Sí No
Cifrado Lectura + escritura No
Renderizado Sí No
Validación PDF/A Sí No
Licencia MIT MIT

Lo que lopdf no puede hacer

lopdf da acceso a los objetos PDF, pero la extracción de texto exige interpretar esos objetos conforme a la especificación PDF. Esto es lo que tendrías que construir tú mismo:

  1. Análisis del stream de contenido: analizar operadores al estilo PostScript (Tj, TJ, Tm, Tf, etc.)
  2. Resolución de fuentes: buscar los recursos /Font y resolver referencias indirectas
  3. Decodificación de CMap/ToUnicode: convertir los ID de glifo en caracteres Unicode
  4. Espaciado por métricas de fuente: calcular el ancho de los caracteres a partir de los descriptores de fuente
  5. Transformaciones de la matriz de texto: aplicar los operadores Tm, Td, T* para posicionar el texto
  6. Orden de lectura: determinar el orden correcto en diseños de varias columnas
  7. Reconstrucción de ligaduras: tratar las ligaduras fi, fl, ffi
  8. Codificación CJK: decodificar codificaciones de texto en chino, japonés y coreano

Esto supone miles de líneas de código y un conocimiento profundo de ISO 32000. PDF Oxide se encarga de todo ello internamente.

Código en paralelo

Extracción de texto

PDF Oxide:

use pdf_oxide::PdfDocument;

let mut doc = PdfDocument::open("report.pdf")?;
let text = doc.extract_text(0)?;
println!("{}", text);

lopdf:

use lopdf::Document;

let doc = Document::load("report.pdf")?;

// lopdf does not provide text extraction.
// You get access to PDF objects only:
let page_id = doc.page_iter().next().unwrap();
let page = doc.get_dictionary(page_id)?;
let contents = page.get("Contents")?;
let stream = doc.get_object(contents.as_reference()?)?;

// To get actual text, you must:
// 1. Parse content stream operators
// 2. Resolve font references from /Resources
// 3. Decode CMap/ToUnicode mappings
// 4. Apply text matrix transformations
// 5. Handle encoding differences
// ... (hundreds to thousands of lines of code)

Creación de PDF

PDF Oxide:

use pdf_oxide::api::Pdf;

let pdf = Pdf::from_markdown("# Report\n\n| Q1 | Q2 |\n|---|---|\n| $1M | $2M |")?;
pdf.save("report.pdf")?;

lopdf:

use lopdf::{Document, Object, Stream, dictionary};

let mut doc = Document::with_version("1.5");

// Create font dictionary
let font_id = doc.add_object(dictionary! {
    "Type" => "Font",
    "Subtype" => "Type1",
    "BaseFont" => "Helvetica",
});

// Create resources
let resources_id = doc.add_object(dictionary! {
    "Font" => dictionary! { "F1" => font_id },
});

// Create content stream (raw PostScript operators)
let content = Stream::new(
    dictionary! {},
    b"BT /F1 12 Tf 72 720 Td (Hello World) Tj ET".to_vec(),
);
let content_id = doc.add_object(content);

// Create page
let page_id = doc.add_object(dictionary! {
    "Type" => "Page",
    "MediaBox" => vec![0.into(), 0.into(), 612.into(), 792.into()],
    "Contents" => content_id,
    "Resources" => resources_id,
});

// Wire up page tree
let pages_id = doc.add_object(dictionary! {
    "Type" => "Pages",
    "Kids" => vec![page_id.into()],
    "Count" => 1,
});
doc.add_object(dictionary! {
    "Type" => "Catalog",
    "Pages" => pages_id,
});

doc.save("report.pdf")?;

PDF cifrados

PDF Oxide:

use pdf_oxide::PdfDocument;

let doc = PdfDocument::open_with_password("encrypted.pdf", "secret")?;
let text = doc.extract_text(0)?;
println!("{}", text);

lopdf:

// lopdf does not support encrypted PDFs.
// Loading an encrypted PDF will fail or produce undecrypted streams.

Comparación de fiabilidad

Métrica PDF Oxide lopdf
PDF analizados correctamente 3823 / 3823 (100 %) 3071 / 3823 (80,2 %)
PDF con salida de texto 3823 / 3823 ~1320 / 3823 (estimado)
Compatibilidad con PDF cifrados Sí No
Recuperación de PDF malformados Sí No

La tasa de éxito del 80,2 % de lopdf significa que falla en aproximadamente 1 de cada 5 PDF. Los fallos se producen en documentos cifrados, PDF con tablas xref no estándar y documentos que usan streams de referencias cruzadas. PDF Oxide gestiona todos estos casos con un análisis tolerante y estrategias de respaldo.

Cuándo usar cada uno

Elige PDF Oxide si:

  • Necesitas extracción de texto, extracción de imágenes o cualquier operación a nivel de contenido
  • Quieres un único crate para lectura + escritura + creación
  • Necesitas procesar todos los PDF de forma fiable (cifrados, malformados, complejos)
  • Necesitas salida en Markdown/HTML, renderizado u OCR
  • Necesitas validación de conformidad (PDF/A, PDF/X, PDF/UA)

Elige lopdf si:

  • Necesitas acceso directo a los objetos PDF para un procesamiento personalizado
  • Estás construyendo una herramienta PDF especializada que trabaja a nivel de objeto
  • Necesitas fusionar documentos manipulando árboles de objetos directamente
  • Tus PDF son sencillos y están bien formados (no cifrados, tablas xref estándar)

Combina ambos:

Usa PDF Oxide para las operaciones de alto nivel y lopdf para los casos límite que requieran acceso a objetos en bruto:

[dependencies]
pdf_oxide = "0.3"
lopdf = "0.32"

Páginas relacionadas