Skip to content
PDF Oxide

Mejor biblioteca PDF de Python en 2026

PDF Oxide comparado con PyMuPDF (fitz), pypdfium2, pypdf, pdfplumber, pdfminer y más. Esta página revisa rendimiento, cobertura de funciones, licencia y diferencias de API para que elijas la biblioteca PDF de Python adecuada para extraer texto.

Resumen

PDF Oxide PyMuPDF pypdfium2 pypdf pdfplumber pdfminer
Tiempo medio de extracción 0,8ms 4,6ms 4,1ms 12,1ms 23,2ms 16,8ms
Tasa de éxito (3 830 PDFs) 100% 99,3% 99,2% 98,4% 98,8% 98,8%
Licencia MIT AGPL-3.0 Apache-2.0 BSD-3 MIT MIT
Lenguaje Rust + PyO3 C (MuPDF) C (PDFium) Python puro Python puro Python puro
Extracción de texto Sí Sí Sí Sí Sí Sí
Posiciones de caracteres Sí Sí Sí Parcial Sí Sí
Extracción de imágenes Sí Sí Sí Sí No No
Campos de formulario Lectura + escritura Lectura + escritura Solo lectura Lectura + escritura Solo lectura No
Creación de PDF Sí Sí No Limitada No No
Edición de PDF Sí Sí No Sí No No
Salida Markdown Sí No No No No No
Salida HTML Sí No No No No No
Cifrado Lectura + escritura Lectura + escritura Solo lectura Lectura + escritura No No
Validación PDF/A Sí No No No No No
Renderizado Sí Sí Sí No No No
Búsqueda Regex + espacial Sí Sí No No No
Versiones de Python 3.8–3.14 3.8–3.12 3.8+ 3.6+ 3.8+ 3.6+
Tamaño de instalación ~5 MB wheel ~20 MB wheel ~3 MB wheel ~1 MB ~1 MB ~1 MB

Comparación de rendimiento

Tiempo medio de extracción de texto por PDF, medido sobre el corpus completo de 3 830 PDFs — tres suites de pruebas independientes y públicas que en conjunto cubren todas las versiones de la especificación PDF (1.0–2.0), archivos cifrados, documentos corruptos, codificaciones CJK, disposiciones complejas y casos límite de seguridad. Consulta los detalles del corpus para ver qué prueba cada suite y por qué los resultados son reproducibles.

Biblioteca Media Relativa p99 Tasa de éxito
PDF Oxide 0,8ms 1× 9ms 100%
PyMuPDF 4,6ms 5,8× 28ms 99,3%
pypdfium2 4,1ms 5,1× 42ms 99,2%
pymupdf4llm 55,5ms 69× 280ms 99,1%
pdftext 7,3ms 9,1× 82ms 99,0%
pdfminer 16,8ms 21× 124ms 98,8%
pdfplumber 23,2ms 29× 189ms 98,8%
markitdown 108,8ms 136× 378ms 98,6%
pypdf 12,1ms 15,1× 97ms 98,4%

PDF Oxide logra esta velocidad gracias a un núcleo nativo en Rust compilado como módulo de extensión de Python mediante PyO3. No hay sobrecarga de subprocesos ni puentes con bibliotecas C — el código Rust se ejecuta directamente dentro del proceso de Python.

Fiabilidad

PDF Oxide procesa 3 823 de 3 823 PDFs válidos sin fallar — una tasa de éxito del 100 %. Los 7 archivos que no pasan dentro del corpus de 3 830 son fixtures de prueba rotas a propósito (sin cabecera PDF, catálogos corrompidos por fuzzing, streams xref inválidos).

Biblioteca PDFs válidos superados Tasa de éxito
PDF Oxide 3 823 / 3 823 100%
PyMuPDF 3 796 / 3 823 99,3%
pypdfium2 3 792 / 3 823 99,2%
pymupdf4llm 3 787 / 3 823 99,1%
pdftext 3 784 / 3 823 99,0%
pdfminer 3 777 / 3 823 98,8%
pdfplumber 3 777 / 3 823 98,8%
markitdown 3 771 / 3 823 98,6%
pypdf 3 762 / 3 823 98,4%

Calidad del texto

PDF Oxide alcanza una paridad textual del 99,5 % frente a PyMuPDF y pypdfium2 en todo el corpus. La calidad se midió comparando la salida extraída carácter a carácter. El 0,5 % restante está en la normalización de espacios en blanco y el tratamiento de ligaduras, donde PDF Oxide produce una salida más limpia.

Comparación de licencias

Biblioteca Licencia Uso comercial Copyleft
PDF Oxide MIT Sin restricciones No
pypdfium2 Apache-2.0 Sin restricciones No
PyMuPDF AGPL-3.0 Requiere licencia comercial ($) Sí
pypdf BSD-3 Sin restricciones No
pdfplumber MIT Sin restricciones No
pdfminer MIT Sin restricciones No
pdftext GPL-3.0 Requiere código abierto Sí

PyMuPDF usa MuPDF bajo la licencia AGPL-3.0. Si distribuyes software que use PyMuPDF, tu software también debe publicarse bajo AGPL-3.0 — o tienes que adquirir una licencia comercial de Artifex. Esto aplica a productos SaaS, aplicaciones web y cualquier binario distribuido.

PDF Oxide es MIT y no impone restricciones. Úsalo en productos propietarios, plataformas SaaS o aplicaciones de código cerrado sin obligaciones de licencia.

Caso de uso PDF Oxide (MIT) PyMuPDF (AGPL) pypdfium2 (Apache) pypdf (BSD) pdfplumber (MIT) pdfminer (MIT)
Producto comercial Sí Requiere licencia Sí Sí Sí Sí
Código cerrado Sí No (sin licencia) Sí Sí Sí Sí
SaaS/nube Sí Requiere licencia Sí Sí Sí Sí
Herramientas internas Sí Sí Sí Sí Sí Sí

Comparación de API

Extracción de texto

PDF Oxide:

from pdf_oxide import PdfDocument

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

PyMuPDF:

import fitz

doc = fitz.open("report.pdf")
page = doc[0]
text = page.get_text()
print(text)

pypdf:

from pypdf import PdfReader

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

pdfplumber:

import pdfplumber

with pdfplumber.open("report.pdf") as pdf:
    page = pdf.pages[0]
    text = page.extract_text()
    print(text)

pdfminer:

from pdfminer.high_level import extract_text

text = extract_text("report.pdf", page_numbers=[0])
print(text)

Extracción a nivel de carácter

PDF Oxide:

from pdf_oxide import PdfDocument

doc = PdfDocument("report.pdf")
chars = doc.extract_chars(0)
for ch in chars:
    print(f"'{ch.char}' at ({ch.bbox[0]:.1f}, {ch.bbox[1]:.1f}) "
          f"size={ch.font_size:.1f}")

PyMuPDF:

import fitz

doc = fitz.open("report.pdf")
page = doc[0]
blocks = page.get_text("dict")["blocks"]
for block in blocks:
    if "lines" in block:
        for line in block["lines"]:
            for span in line["spans"]:
                print(f"'{span['text']}' size={span['size']:.1f}")

pdfplumber:

import pdfplumber

with pdfplumber.open("report.pdf") as pdf:
    page = pdf.pages[0]
    for char in page.chars:
        print(f"'{char['text']}' at ({char['x0']:.1f}, {char['top']:.1f}) "
              f"size={char['size']:.1f}")

pdfminer:

from pdfminer.high_level import extract_pages
from pdfminer.layout import LTChar

for page_layout in extract_pages("report.pdf"):
    for element in page_layout:
        if hasattr(element, '__iter__'):
            for text_line in element:
                if hasattr(text_line, '__iter__'):
                    for char in text_line:
                        if isinstance(char, LTChar):
                            print(f"'{char.get_text()}' at ({char.x0:.1f}, {char.y0:.1f}) "
                                  f"size={char.size:.1f}")

Extracción de imágenes

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"])

PyMuPDF:

import fitz

doc = fitz.open("report.pdf")
page = doc[0]
for i, img in enumerate(page.get_images()):
    xref = img[0]
    base_image = doc.extract_image(xref)
    with open(f"image_{i}.{base_image['ext']}", "wb") as f:
        f.write(base_image["image"])

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)

Creación de PDF

PDF Oxide:

from pdf_oxide import Pdf

pdf = Pdf.from_markdown("# Hello World\n\nThis is a PDF.")
pdf.save("output.pdf")

# También admite HTML
pdf = Pdf.from_html("<h1>Hello</h1><p>World</p>")
pdf.save("output.pdf")

PyMuPDF:

import fitz

doc = fitz.open()
page = doc.new_page()
text_point = fitz.Point(72, 72)
page.insert_text(text_point, "Hello World", fontsize=24)
doc.save("output.pdf")

pypdf:

# pypdf puede combinar o modificar PDFs, pero no crear uno con texto desde cero.
# Usa reportlab o fpdf2 para crearlo y luego combina con pypdf.

PDFs cifrados

PDF Oxide:

from pdf_oxide import PdfDocument

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

PyMuPDF:

import fitz

doc = fitz.open("encrypted.pdf")
doc.authenticate("password")
page = doc[0]
text = page.get_text()

pypdf:

from pypdf import PdfReader

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

Salida a Markdown y HTML

PDF Oxide (función única):

from pdf_oxide import PdfDocument

doc = PdfDocument("paper.pdf")

# Convertir a Markdown detectando encabezados
md = doc.to_markdown(0, detect_headings=True)
print(md)

# Convertir a HTML
html = doc.to_html(0)
print(html)

Ninguna otra biblioteca PDF de Python ofrece conversión a Markdown o HTML integrada.

Perfiles de cada biblioteca

PDF Oxide

Fortalezas:

  • Extracción de texto más rápida en los benchmarks gracias a su núcleo en Rust — 5,8× más rápida que PyMuPDF
  • 100 % de éxito en el corpus de 3 830 PDFs — la fiabilidad más alta de las bibliotecas probadas
  • API unificada para extraer, crear y editar en una sola biblioteca
  • Exportación a Markdown y HTML integrada con detección de encabezados
  • Licencia MIT sin restricciones copyleft
  • Validación de cumplimiento nativa (PDF/A, PDF/UA, PDF/X)
  • Wheels precompilados para las plataformas principales y Python 3.8–3.14
  • Sin dependencias de sistema — el wheel lo incluye todo

Limitaciones:

  • Biblioteca más reciente, con una comunidad menor
  • La extracción de tablas es básica frente a los algoritmos de pdfplumber
  • El motor de renderizado es menos maduro que MuPDF

PyMuPDF (fitz)

Fortalezas:

  • Madura y probada en producción (respaldada por MuPDF, en desarrollo desde 2005)
  • Excelente calidad de renderizado para PDFs complejos
  • Integración OCR incorporada (Tesseract)
  • Amplio conjunto de funciones: exportación SVG, manipulación de páginas, detección de tablas

Limitaciones:

  • La licencia AGPL-3.0 exige abrir el código de tu aplicación o comprar una licencia comercial
  • Wheel de gran tamaño (~20 MB) por incluir MuPDF
  • Sin exportación Markdown integrada
  • Sin validación de cumplimiento

pypdfium2

Fortalezas:

  • Rápida (respaldada por el motor PDFium de Google)
  • Licencia Apache-2.0 — permisiva para uso comercial
  • Buena calidad de renderizado

Limitaciones:

  • API de extracción de texto limitada comparada con PDF Oxide o PyMuPDF
  • No permite crear ni editar PDFs
  • Sin soporte de campos de formulario más allá de solo lectura

pypdf

Fortalezas:

  • Python puro — se instala en cualquier sitio, sin dependencias compiladas
  • Ligera y bien mantenida
  • Buena para manipular PDFs (combinar, dividir, rotar, cifrar)
  • Gran comunidad y documentación amplia

Limitaciones:

  • 15× más lenta que PDF Oxide en extracción de texto
  • La calidad de extracción sufre en disposiciones complejas
  • Sin renderizado, sin exportación Markdown/HTML, sin extracción de tablas

pdfplumber

Fortalezas:

  • Mejor extracción de tablas entre todas las bibliotecas PDF de Python
  • Excelentes datos de posición a nivel de carácter
  • Herramientas de depuración visual (imágenes de página anotadas)
  • Licencia MIT

Limitaciones:

  • Python puro — 29× más lenta que PDF Oxide
  • Solo lectura — sin creación ni edición de PDF
  • Sin cifrado ni renderizado

pdfminer

Fortalezas:

  • Análisis detallado de caracteres y disposición
  • Buen soporte de texto CJK
  • Base de pdfplumber y otras herramientas
  • Licencia MIT

Limitaciones:

  • 21× más lenta que PDF Oxide (Python puro, sin optimizar)
  • Solo lectura, sin creación ni edición
  • API verbosa para tareas habituales
  • Mantenimiento menos activo

Cuándo usar cada una

Caso de uso Biblioteca recomendada
Extracción rápida de texto PDF Oxide
Producto comercial / propietario PDF Oxide, pypdfium2, pypdf, pdfplumber o pdfminer
Alternativa a PyMuPDF con licencia MIT PDF Oxide
Crear PDF desde Markdown/HTML PDF Oxide
Validación de cumplimiento (PDF/A, PDF/X) PDF Oxide
Extracción de tablas en facturas pdfplumber
Depuración visual de la extracción pdfplumber
Ya inviertes en MuPDF PyMuPDF (si AGPL es compatible)
Mínimas dependencias pypdf (Python puro)
Análisis detallado de la disposición pdfminer
OCR de documentos escaneados PyMuPDF

Instalación

# PDF Oxide
pip install pdf_oxide

# PyMuPDF
pip install pymupdf

# pypdfium2
pip install pypdfium2

# pypdf
pip install pypdf

# pdfplumber
pip install pdfplumber

# pdfminer
pip install pdfminer.six

PDF Oxide entrega wheels precompilados para Linux (x86_64, aarch64), macOS (x86_64, arm64) y Windows (x86_64). No hace falta compilador ni bibliotecas del sistema.

Páginas relacionadas