Skip to content
PDF Oxide

PDF Oxide vs pdfplumber

PDF Oxide는 텍스트 추출에서 pdfplumber보다 29배 빠르면서도 더 폭넓은 기능 세트를 제공합니다. 반면 pdfplumber는 더 성숙한 테이블 추출 알고리즘을 갖추고 있습니다. 이 페이지는 사용 사례에 맞는 적절한 도구를 선택하는 데 도움을 줍니다.

주요 차이점

속도. pdfplumber는 순수 Python(pdfminer 기반)입니다. PDF Oxide의 Rust 코어는 평균 0.8ms로 텍스트를 추출하며, 23.2ms 대비 29배 빠릅니다.

신뢰성. PDF Oxide는 3,830개의 테스트 PDF를 100% 통과합니다. pdfplumber의 통과율은 98.8%로, 유효한 PDF에서 46건의 실패가 발생합니다.

테이블. pdfplumber는 모든 Python PDF 라이브러리 중 가장 뛰어난 테이블 추출 기능을 갖추고 있습니다. PDF Oxide의 테이블 감지는 실용적이지만, 병합된 셀이 포함된 복잡한 다중 행·다중 열 레이아웃에 대해서는 아직 덜 성숙합니다.

범위. pdfplumber는 읽기 전용입니다. PDF Oxide는 생성, 편집, 암호화, 렌더링, Markdown/HTML 출력을 추가로 제공합니다.

빠른 비교

PDF Oxide pdfplumber
평균 추출 시간 0.8ms 23.2ms
통과율(3,830개 PDF) 100% 98.8%
라이선스 MIT MIT
언어 Rust + PyO3 순수 Python
텍스트 추출 지원 지원
문자 위치 지원 지원
테이블 추출 기본 고급
이미지 추출 지원 미지원
시각적 디버깅 미지원 지원
Markdown 출력 지원 미지원
HTML 출력 지원 미지원
PDF 생성 지원 미지원
PDF 편집 지원 미지원
암호화 읽기 + 쓰기 미지원
렌더링 지원 미지원
양식 필드 읽기 + 쓰기 읽기 전용

코드 나란히 비교

텍스트 추출

PDF Oxide:

from pdf_oxide import PdfDocument

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

pdfplumber:

import pdfplumber

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

문자 단위 추출

PDF Oxide:

from pdf_oxide import PdfDocument

doc = PdfDocument("report.pdf")
chars = doc.extract_chars(0)
for ch in chars[:10]:
    print(f"'{ch.char}' at ({ch.x:.1f}, {ch.y:.1f}) size={ch.font_size:.1f}")

pdfplumber:

import pdfplumber

with pdfplumber.open("report.pdf") as pdf:
    page = pdf.pages[0]
    for char in page.chars[:10]:
        print(f"'{char['text']}' at ({char['x0']:.1f}, {char['top']:.1f}) "
              f"size={char['size']:.1f}")

테이블 추출

PDF Oxide:

from pdf_oxide import PdfDocument

doc = PdfDocument("invoice.pdf")
md = doc.to_markdown(0, detect_headings=True)
# Tables are converted to Markdown table syntax
print(md)

pdfplumber:

import pdfplumber

with pdfplumber.open("invoice.pdf") as pdf:
    page = pdf.pages[0]
    tables = page.extract_tables()
    for table in tables:
        for row in table:
            print(row)

pdfplumber의 extract_tables()는 구성 가능한 선 감지를 통해 구조화된 행/열 데이터를 반환합니다. 병합된 셀, 여러 열에 걸친 헤더, 테두리 없는 레이아웃이 포함된 복잡한 테이블의 경우 pdfplumber의 알고리즘이 더 견고합니다.

벤치마크 세부 정보

지표 PDF Oxide pdfplumber
평균 추출 시간 0.8ms 23.2ms
p99 추출 시간 9ms 189ms
통과율(유효한 PDF) 100% (3,823/3,823) 98.8% (3,777/3,823)

29배의 속도 차이는 pdfplumber의 순수 Python 아키텍처에서 비롯됩니다. pdfplumber는 파싱을 위해 pdfminer를 기반으로 하고, 그 위에 자체 공간 분석 계층을 추가하는데, 둘 다 Python으로 작성되어 있습니다. PDF Oxide는 모든 파싱, 폰트 디코딩, 텍스트 조립을 컴파일된 Rust에서 처리합니다.

코퍼스에 대한 자세한 내용은 전체 벤치마크 방법론을 참조하세요.

각각 언제 사용할까

다음의 경우 PDF Oxide를 선택하세요:

  • 속도가 중요합니다. 수천 개의 PDF를 처리할 때, 29배 빠르다는 것은 시간 단위가 아니라 분 단위의 처리를 의미합니다.
  • 추출 이상의 기능이 필요합니다. 생성, 편집, 암호화, 렌더링 또는 Markdown 출력.
  • 최대한의 신뢰성을 원합니다. 98.8% 대비 통과율 100%.
  • 이미지 추출이 필요합니다. pdfplumber는 이미지를 추출하지 않습니다.
  • 배치 처리 파이프라인. PDF당 0.8ms이면 3,830개의 PDF를 3.1초 만에 처리할 수 있습니다.

다음의 경우 pdfplumber를 선택하세요:

  • 복잡한 테이블 추출이 주된 용도입니다. pdfplumber의 테이블 알고리즘은 병합된 셀, 테두리 없는 테이블, 여러 열에 걸친 헤더를 더 잘 처리합니다.
  • 시각적 디버깅이 필요합니다. pdfplumber는 감지된 선, 문자, 테이블 경계를 보여주는 주석이 달린 페이지 이미지를 렌더링할 수 있습니다.
  • 순수 Python을 선호합니다. 컴파일된 의존성이 없어 어디서나 설치할 수 있습니다.

둘 다 사용하기:

빠른 텍스트 추출과 복잡한 테이블 파싱이 모두 필요한 파이프라인의 경우, 텍스트에는 PDF Oxide를, 테이블에는 pdfplumber를 사용하세요:

from pdf_oxide import PdfDocument
import pdfplumber

# Fast text extraction with PDF Oxide
doc = PdfDocument("report.pdf")
text = doc.extract_text(0)

# Complex table extraction with pdfplumber
with pdfplumber.open("report.pdf") as pdf:
    tables = pdf.pages[0].extract_tables()

관련 페이지