Skip to content
PDF Oxide

vs Bibliotecas PDF para Python

PDF Oxide comparado con PyMuPDF (fitz), pypdfium2, pypdf, pdfplumber, pdfminer y otras. Esta página cubre el rendimiento, la cobertura de funciones, las licencias y las diferencias de API para ayudarte a elegir la biblioteca PDF para Python adecuada para la extracción de 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 aprobación (3830 PDF) 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) Pure Python Pure Python Pure Python
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 en Markdown Sí No No No No No
Salida en 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 wheel de ~5 MB wheel de ~20 MB wheel de ~3 MB ~1 MB ~1 MB ~1 MB

Comparación de rendimiento

Tiempo medio de extracción de texto por PDF, medido sobre el corpus completo de 3830 PDF: tres conjuntos de pruebas independientes y disponibles públicamente que, en conjunto, cubren todas las versiones de la especificación PDF (1.0–2.0), archivos cifrados, documentos mal formados, codificaciones CJK, diseños complejos y casos límite de seguridad. Consulta los detalles completos del corpus para saber qué prueba cada conjunto y por qué estos resultados son reproducibles.

Biblioteca Media Relativo p99 Tasa de aprobación
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 alcanza su velocidad gracias a un núcleo nativo en Rust compilado como módulo de extensión de Python mediante PyO3. No hay sobrecarga de subprocesos ni puentes a bibliotecas C: el código Rust se ejecuta directamente en el proceso de Python.

Fiabilidad

PDF Oxide procesa 3823 de 3823 PDF válidos sin fallos: una tasa de aprobación del 100 %. Los 7 archivos que no aprobaron en el corpus de 3830 archivos son fixtures de prueba dañados a propósito (encabezado PDF ausente, catálogos corrompidos por fuzzing, flujos xref no válidos).

Biblioteca PDF válidos aprobados Tasa de aprobación
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 de texto del 99,5 % en comparación con PyMuPDF y pypdfium2 en todo el corpus. La calidad se midió comparando la salida de texto extraído carácter por carácter. El 0,5 % de diferencia restante se debe a la normalización de espacios en blanco y al manejo 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 usa PyMuPDF, tu software también debe publicarse bajo AGPL-3.0, o bien debes comprar una licencia comercial a Artifex. Esto se aplica a productos SaaS, aplicaciones web y cualquier binario distribuido.

PDF Oxide tiene licencia MIT, sin restricciones. Úsalo en productos propietarios, plataformas SaaS o aplicaciones de código cerrado sin ninguna obligación 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 (salvo con 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")

# Also supports 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 can merge/modify PDFs but cannot create from scratch with text content.
# Use reportlab or fpdf2 for creation, then merge with pypdf.

PDF 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 en Markdown y HTML

PDF Oxide (función exclusiva):

from pdf_oxide import PdfDocument

doc = PdfDocument("paper.pdf")

# Convert to Markdown with heading detection
md = doc.to_markdown(0, detect_headings=True)
print(md)

# Convert to HTML
html = doc.to_html(0)
print(html)

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

Perfiles de las bibliotecas

PDF Oxide

Fortalezas:

  • La extracción de texto más rápida en las pruebas gracias al núcleo en Rust: 5,8× más rápida que PyMuPDF
  • Tasa de aprobación del 100 % en el corpus de 3830 PDF: la mayor fiabilidad de todas las bibliotecas probadas
  • API unificada para extracción, creación y edición en una sola biblioteca
  • Exportación integrada a Markdown y HTML con detección de encabezados
  • Licencia MIT sin restricciones de copyleft
  • Validación de conformidad nativa (PDF/A, PDF/UA, PDF/X)
  • Wheels precompilados para todas las plataformas principales y Python 3.8–3.14
  • Sin dependencias del sistema: el wheel incluye todo

Limitaciones:

  • Biblioteca más reciente con una comunidad más pequeña
  • La extracción de tablas es básica en comparación con 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 PDF complejos
  • Integración de OCR incorporada (Tesseract)
  • Amplio conjunto de funciones: exportación a SVG, manipulación de páginas, detección de tablas

Limitaciones:

  • La licencia AGPL-3.0 obliga a abrir el código de tu aplicación o a comprar una licencia comercial
  • Tamaño de wheel grande (~20 MB) por el MuPDF incluido
  • Sin exportación integrada a Markdown
  • Sin validación de conformidad

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 en comparación con PDF Oxide o PyMuPDF
  • Sin creación ni edición de PDF
  • Sin soporte de campos de formulario más allá de solo lectura

pypdf

Fortalezas:

  • Pure Python: se instala en cualquier lugar, sin dependencias compiladas
  • Ligera y bien mantenida
  • Buena para manipular PDF (combinar, dividir, rotar, cifrar)
  • Comunidad amplia y documentación extensa

Limitaciones:

  • 15× más lenta que PDF Oxide en la extracción de texto
  • La calidad de extracción de texto sufre con diseños complejos
  • Sin renderizado, sin exportación a Markdown/HTML, sin extracción de tablas

pdfplumber

Fortalezas:

  • La mejor extracción de tablas de todas las bibliotecas PDF para Python
  • Excelentes datos de posicionamiento a nivel de carácter
  • Herramientas de depuración visual (imágenes de página anotadas)
  • Licencia MIT

Limitaciones:

  • Pure Python: 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 diseño
  • Buen soporte para texto CJK
  • Base de pdfplumber y otras herramientas
  • Licencia MIT

Limitaciones:

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

Cuándo usar cada una

Caso de uso Biblioteca recomendada
Extracción de texto rápida PDF Oxide
Producto comercial / propietario PDF Oxide, pypdfium2, pypdf, pdfplumber o pdfminer
Alternativa a PyMuPDF (con licencia MIT) PDF Oxide
Creación de PDF desde Markdown/HTML PDF Oxide
Validación de conformidad (PDF/A, PDF/X) PDF Oxide
Extracción de tablas de facturas pdfplumber
Depuración visual de la extracción pdfplumber
Inversión existente en MuPDF PyMuPDF (si es compatible con AGPL)
Dependencias mínimas pypdf (Pure Python)
Análisis detallado del diseño pdfminer
OCR para 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 distribuye wheels precompilados para Linux (x86_64, aarch64), macOS (x86_64, arm64) y Windows (x86_64). No se requiere compilador ni bibliotecas del sistema.

Páginas relacionadas