PDF Oxide vs pypdf

PDF Oxide は pypdf より15倍高速で、合格率が高く、レンダリングや Markdown/HTML 変換を標準で備えています。基本的な PDF 操作以上のことが必要なら、pypdf が複数のパッケージを組み合わせて実現する処理を、PDF Oxide は1つのライブラリだけでこなします。

pypdf ではなく PDF Oxide を検討すべき理由

速度。 pypdf は純粋な Python 実装です。PDF Oxide は PyO3 経由でコンパイルされた Rust コアを使い、Python プロセス内で直接動作します。テキスト抽出の平均は 0.8ms 対 12.1ms ——15倍の差です。

信頼性。 PDF Oxide は 3,830 件のテスト用 PDF すべての100%に合格します。pypdf の合格率は98.4%——有効な PDF で61件の失敗があります。

機能。 pypdf は PDF 操作ライブラリ（結合、分割、回転、暗号化）です。テキスト抽出、レンダリング、Markdown 出力、フォーム作成には追加のパッケージが必要です。PDF Oxide はこれらすべてを1回のインストールでカバーします。

クイック比較

	PDF Oxide	pypdf
平均抽出時間	0.8ms	12.1ms
合格率（3,830 件の PDF）	100%	98.4%
ライセンス	MIT	BSD-3
言語	Rust + PyO3	純粋な Python
テキスト抽出	あり	あり
文字位置情報	あり	部分的
画像抽出	あり	あり
Markdown 出力	あり	なし
HTML 出力	あり	なし
PDF 作成	あり（Markdown/HTML/画像）	限定的（結合のみ）
フォームフィールド	読み取り + 書き込み	読み取り + 書き込み
暗号化	読み取り + 書き込み	読み取り + 書き込み
レンダリング	あり	なし
OCR	標準搭載	なし
検索	正規表現 + 空間検索	なし
インストールサイズ	約5 MB	約1 MB

コードの比較

テキスト抽出

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)

全ページの抽出

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)

画像抽出

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)

暗号化された PDF

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 変換

PDF Oxide（標準搭載）:

from pdf_oxide import PdfDocument

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

pypdf:

# pypdf has no Markdown conversion.
# You would need a separate tool chain.

ベンチマークの詳細

指標	PDF Oxide	pypdf
平均抽出時間	0.8ms	12.1ms
p99 抽出時間	9ms	97ms
合格率（有効な PDF）	100%（3,823/3,823）	98.4%（3,762/3,823）

pypdf の純粋な Python 実装では、すべての処理がインタープリタ内で実行されます。PDF Oxide の Rust コアは解析、フォントデコード、テキスト組み立てをネイティブに処理し、最終結果だけが Python の境界を越えます。

コーパスの詳細についてはベンチマーク手法の全体をご覧ください。

機能の差

pypdf は PDF 操作——結合、分割、回転、暗号化——に優れています。しかし、以下の機能はありません。

機能	PDF Oxide	pypdf
Markdown 変換	doc.to_markdown(0)	利用不可
HTML 変換	doc.to_html(0)	利用不可
コンテンツからの PDF 作成	Pdf.from_markdown()、Pdf.from_html()	利用不可
画像へのレンダリング	あり	利用不可
スキャン PDF の OCR	PaddleOCR を標準搭載	利用不可
テキスト検索	doc.search("query")	利用不可
文字単位のバウンディングボックス	doc.extract_chars(0)	部分的
PDF/A 検証	あり	利用不可

ワークフローが純粋に結合/分割/回転だけなら、pypdf の軽量な純粋 Python アプローチは妥当な選択です。テキスト抽出の品質、作成、変換が絡む場合は、PDF Oxide の方がより完全な選択肢です。

pypdf を使い続けるべき場合

• コンパイル済み拡張をまったく含まない純粋な Python 依存が必要
• ユースケースが厳密に結合/分割/回転/暗号化のみで、テキスト抽出がない
• レガシー統合のために pypdf 固有の PDF 操作メソッドが必要

関連ページ

• パフォーマンスベンチマーク — コーパスの全結果
• vs Python PDF ライブラリ — すべての Python ライブラリを比較
• Python で始める — インストールと最初の抽出