pdfplumber から PDF Oxide への移行
pdfplumber から PDF Oxide に乗り換えるための完全ガイドです。現在お使いのすべての API とその置き換え方法を解説します。
なぜ pdfplumber から乗り換えるのか？
移行すべき 4 つの理由があります:
- 29 倍高速 — PDF Oxide はページあたり平均 0.8ms、pdfplumber は 23.2ms です。100 ページのドキュメントが 2.3 秒ではなく 80ms で処理されます。
- 暗号化 PDF に対応 — pdfplumber は暗号化された PDF をまったく開けません。PDF Oxide は AES-256 を含むすべての暗号化方式を透過的に処理します。
- 画像抽出 — pdfplumber には画像抽出の機能がありません。PDF Oxide は 1 回の呼び出しで埋め込み画像を抽出できます。
- Markdown 出力 — pdfplumber はテーブルを手動フォーマットが必要な Python リストとして返します。PDF Oxide はテーブルを保持した構造化 Markdown を出力し、LLM への投入に最適です。
ステップ 1: インストール
pip install pdf_oxide
pip uninstall pdfplumber # 任意
ステップ 2: インポートの置き換え
# 変更前
import pdfplumber
# 変更後
from pdf_oxide import PdfDocument
ステップ 3: API 対応表
| タスク | pdfplumber | PDF Oxide |
|---|---|---|
| PDF を開く | pdfplumber.open("file.pdf") |
PdfDocument("file.pdf") |
| ページ数 | len(pdf.pages) |
doc.page_count() |
| テキスト抽出 | pdf.pages[0].extract_text() |
doc.extract_text(0) |
| 文字位置 | pdf.pages[0].chars |
doc.extract_chars(0) |
| テーブル抽出 | pdf.pages[0].extract_tables() |
doc.to_markdown(0) |
| フォームフィールド | 非対応（読み取り専用） | doc.get_form_fields() |
| 暗号化 PDF | 非対応 | PdfDocument("file.pdf", password="pw") |
| 画像抽出 | 非対応 | doc.extract_image_bytes(0) |
| Markdown 変換 | 非対応 | doc.to_markdown(0) |
| レンダリング | 非対応 | doc.render_page(0) |
| OCR | 非対応 | doc.extract_text_ocr(0) |
| PDF 作成 | 非対応 | Pdf.from_markdown("# Title") |
ステップ 4: よくあるパターンの変更
テキスト抽出
pdfplumber はコンテキストマネージャが必要です。PDF Oxide は不要です:
# pdfplumber — コンテキストマネージャが必要
import pdfplumber
with pdfplumber.open("report.pdf") as pdf:
for page in pdf.pages:
text = page.extract_text()
print(text)
# PDF Oxide — コンテキストマネージャ不要
from pdf_oxide import PdfDocument
doc = PdfDocument("report.pdf")
for i in range(doc.page_count()):
text = doc.extract_text(i)
print(text)
テーブル抽出
pdfplumber はテーブルをネストされた Python リストとして返します。PDF Oxide は Markdown で出力します:
# pdfplumber — リストのリストを返す
import pdfplumber
with pdfplumber.open("report.pdf") as pdf:
tables = pdf.pages[0].extract_tables()
for table in tables:
for row in table:
print(row)
# PDF Oxide — 構造化 Markdown 出力
from pdf_oxide import PdfDocument
doc = PdfDocument("report.pdf")
md = doc.to_markdown(0)
print(md) # テーブルは Markdown テーブルとしてレンダリング
文字レベルの抽出
# pdfplumber
import pdfplumber
with pdfplumber.open("report.pdf") as pdf:
chars = pdf.pages[0].chars
for c in chars:
print(f"{c['text']} at ({c['x0']}, {c['top']})")
# PDF Oxide
from pdf_oxide import PdfDocument
doc = PdfDocument("report.pdf")
chars = doc.extract_chars(0)
for c in chars:
print(f"{c.char} at ({c.x}, {c.y})")
暗号化 PDF（新機能）
pdfplumber は暗号化 PDF を開けません。PDF Oxide は透過的に処理します:
from pdf_oxide import PdfDocument
# AES-256 を含むすべての暗号化方式に対応
doc = PdfDocument("encrypted.pdf", password="password")
text = doc.extract_text(0)
print(text)
画像抽出（新機能）
pdfplumber には画像抽出がありません。PDF Oxide なら簡単です:
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"])
スキャン文書の OCR（新機能）
pdfplumber はスキャンされた PDF を処理できません。PDF Oxide は OCR を内蔵しています:
from pdf_oxide import PdfDocument
doc = PdfDocument("scanned.pdf")
text = doc.extract_text_ocr(0)
print(text)
主な違い
- コンテキストマネージャ不要 — pdfplumber は
with pdfplumber.open(...) as pdf:を使いますが、PDF Oxide ではコンテキストマネージャは不要です。 - 暗号化 PDF — pdfplumber では暗号化 PDF を開けません。PDF Oxide は暗号化を透過的に処理します。
- テーブル — pdfplumber は Python のリストを返します。PDF Oxide はテーブルを Markdown または HTML で出力します。視覚的なデバッグが必要な複雑なテーブルの場合は、PDF Oxide と併用することもできます。
ステップ 5: 移行のテスト
既存のテストファイルを両方のライブラリで実行し、出力を比較してください:
from pdf_oxide import PdfDocument
doc = PdfDocument("your-test-file.pdf")
# テキスト抽出の検証
text = doc.extract_text(0)
print(text[:500])
# ページ数の検証
print(f"Pages: {doc.page_count()}")
# フォームフィールドの検証（該当する場合）
fields = doc.get_form_fields()
for f in fields:
print(f"{f.name}: {f.value}")
その他の移行ガイド
関連ページ
- PDF Oxide vs pdfplumber — 詳細な比較
- Python で始める — インストールガイド
- PDF からテキストを抽出する — テキスト抽出ガイド