Skip to content
PDF Oxide

PDF Oxide vs pypdf

O PDF Oxide é 15× mais rápido que o pypdf, com taxa de aprovação maior, renderização embutida e conversão para Markdown/HTML. Se você precisa de mais do que manipulação básica de PDF, o PDF Oxide faz em uma única biblioteca o que o pypdf só consegue com vários pacotes.

Por que considerar o PDF Oxide em vez do pypdf

Velocidade. O pypdf é Python puro. O PDF Oxide usa um núcleo em Rust compilado via PyO3, executando diretamente no processo Python. Extração média de texto: 0,8ms contra 12,1ms — uma diferença de 15×.

Confiabilidade. O PDF Oxide passa em 100% dos 3.830 PDFs de teste. O pypdf passa em 98,4% — 61 falhas em PDFs válidos.

Recursos. O pypdf é uma biblioteca de manipulação de PDF (mesclar, dividir, girar, criptografar). Para extração de texto, renderização, saída em Markdown ou criação de formulários, você precisa de pacotes adicionais. O PDF Oxide cobre tudo isso em uma única instalação.

Comparação rápida

PDF Oxide pypdf
Tempo médio de extração 0,8ms 12,1ms
Taxa de aprovação (3.830 PDFs) 100% 98,4%
Licença MIT BSD-3
Linguagem Rust + PyO3 Python puro
Extração de texto Sim Sim
Posições de caracteres Sim Parcial
Extração de imagens Sim Sim
Saída em Markdown Sim Não
Saída em HTML Sim Não
Criação de PDF Sim (Markdown/HTML/imagens) Limitada (só mesclar)
Campos de formulário Ler + Escrever Ler + Escrever
Criptografia Ler + Escrever Ler + Escrever
Renderização Sim Não
OCR Embutido Não
Busca Regex + espacial Não
Tamanho da instalação ~5 MB ~1 MB

Código lado a lado

Extração de texto

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)

Extrair todas as páginas

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)

Extração de imagens

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)

PDFs criptografados

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()

Conversão para Markdown

PDF Oxide (embutido):

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.

Detalhes do benchmark

Métrica PDF Oxide pypdf
Tempo médio de extração 0,8ms 12,1ms
Tempo de extração p99 9ms 97ms
Taxa de aprovação (PDFs válidos) 100% (3.823/3.823) 98,4% (3.762/3.823)

A implementação em Python puro do pypdf faz com que toda operação rode no interpretador. O núcleo em Rust do PDF Oxide trata parsing, decodificação de fontes e montagem de texto de forma nativa, com apenas o resultado final cruzando a fronteira do Python.

Veja a metodologia completa de benchmark para detalhes do corpus.

Lacuna de recursos

O pypdf se destaca na manipulação de PDF — mesclar, dividir, girar e criptografar. Mas falta:

Recurso PDF Oxide pypdf
Conversão para Markdown doc.to_markdown(0) Indisponível
Conversão para HTML doc.to_html(0) Indisponível
Criação de PDF a partir de conteúdo Pdf.from_markdown(), Pdf.from_html() Indisponível
Renderização para imagens Sim Indisponível
OCR para PDFs digitalizados PaddleOCR embutido Indisponível
Busca de texto doc.search("query") Indisponível
Caixas delimitadoras por caractere doc.extract_chars(0) Parcial
Validação PDF/A Sim Indisponível

Se seu fluxo de trabalho é puramente mesclar/dividir/girar, a abordagem leve em Python puro do pypdf é uma escolha razoável. Para qualquer coisa que envolva qualidade de extração de texto, criação ou conversão, o PDF Oxide é a opção mais completa.

Quando continuar com o pypdf

  • Você precisa de uma dependência em Python puro sem nenhuma extensão compilada
  • Seu caso de uso é estritamente mesclar/dividir/girar/criptografar, sem extração de texto
  • Você precisa de métodos específicos de manipulação de PDF do pypdf para integração com sistemas legados

Páginas relacionadas