Skip to content
PDF Oxide

Сравнение с Python-библиотеками для PDF

PDF Oxide в сравнении с PyMuPDF (fitz), pypdfium2, pypdf, pdfplumber, pdfminer и другими. На этой странице разбираются производительность, охват функций, лицензирование и различия в API, чтобы помочь вам выбрать подходящую Python-библиотеку для извлечения текста из PDF.

Кратко

PDF Oxide PyMuPDF pypdfium2 pypdf pdfplumber pdfminer
Среднее время извлечения 0.8ms 4.6ms 4.1ms 12.1ms 23.2ms 16.8ms
Доля успеха (3830 PDF) 100% 99.3% 99.2% 98.4% 98.8% 98.8%
Лицензия MIT AGPL-3.0 Apache-2.0 BSD-3 MIT MIT
Язык Rust + PyO3 C (MuPDF) C (PDFium) Pure Python Pure Python Pure Python
Извлечение текста Да Да Да Да Да Да
Позиции символов Да Да Да Частично Да Да
Извлечение изображений Да Да Да Да Нет Нет
Поля форм Чтение + запись Чтение + запись Только чтение Чтение + запись Только чтение Нет
Создание PDF Да Да Нет Ограниченно Нет Нет
Редактирование PDF Да Да Нет Да Нет Нет
Вывод в Markdown Да Нет Нет Нет Нет Нет
Вывод в HTML Да Нет Нет Нет Нет Нет
Шифрование Чтение + запись Чтение + запись Только чтение Чтение + запись Нет Нет
Проверка PDF/A Да Нет Нет Нет Нет Нет
Рендеринг Да Да Да Нет Нет Нет
Поиск Regex + пространственный Да Да Нет Нет Нет
Версии Python 3.8–3.14 3.8–3.12 3.8+ 3.6+ 3.8+ 3.6+
Размер установки ~5 МБ wheel ~20 МБ wheel ~3 МБ wheel ~1 МБ ~1 МБ ~1 МБ

Сравнение производительности

Среднее время извлечения текста на один PDF, измеренное на полном корпусе из 3830 PDF — это три независимых, общедоступных набора тестов, которые вместе охватывают все версии спецификации PDF (1.0–2.0), зашифрованные файлы, некорректные документы, CJK-кодировки, сложные макеты и пограничные случаи безопасности. О том, что тестирует каждый набор и почему эти результаты воспроизводимы, см. подробности о корпусе.

Библиотека Среднее Относит. p99 Доля успеха
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 достигает такой скорости благодаря нативному ядру на Rust, скомпилированному в модуль расширения Python через PyO3. Нет накладных расходов на подпроцессы или мостов к C-библиотекам — код на Rust выполняется прямо в процессе Python.

Надёжность

PDF Oxide обрабатывает 3823 из 3823 валидных PDF без сбоев — доля успеха 100%. Те 7 файлов из корпуса в 3830 документов, что не прошли проверку, — это намеренно повреждённые тестовые образцы (отсутствующий заголовок PDF, повреждённые фаззингом каталоги, некорректные xref-потоки).

Библиотека Прошло валидных PDF Доля успеха
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%

Качество текста

PDF Oxide достигает 99.5% совпадения текста по сравнению с PyMuPDF и pypdfium2 на всём корпусе. Качество измерялось посимвольным сравнением извлечённого текста. Оставшиеся 0.5% различий приходятся на нормализацию пробелов и обработку лигатур, где PDF Oxide выдаёт более чистый результат.

Сравнение лицензий

Библиотека Лицензия Коммерческое использование Copyleft
PDF Oxide MIT Без ограничений Нет
pypdfium2 Apache-2.0 Без ограничений Нет
PyMuPDF AGPL-3.0 Требуется коммерческая лицензия ($) Да
pypdf BSD-3 Без ограничений Нет
pdfplumber MIT Без ограничений Нет
pdfminer MIT Без ограничений Нет
pdftext GPL-3.0 Требует открытого кода Да

PyMuPDF использует MuPDF под лицензией AGPL-3.0. Если вы распространяете программу, использующую PyMuPDF, ваша программа тоже должна быть выпущена под AGPL-3.0 — либо вам нужно приобрести коммерческую лицензию у Artifex. Это касается SaaS-продуктов, веб-приложений и любых распространяемых бинарных файлов.

PDF Oxide распространяется под лицензией MIT без каких-либо ограничений. Используйте его в проприетарных продуктах, SaaS-платформах или приложениях с закрытым кодом без каких-либо лицензионных обязательств.

Сценарий PDF Oxide (MIT) PyMuPDF (AGPL) pypdfium2 (Apache) pypdf (BSD) pdfplumber (MIT) pdfminer (MIT)
Коммерческий продукт Да Нужна лицензия Да Да Да Да
Закрытый код Да Нет (без лицензии) Да Да Да Да
SaaS/облако Да Нужна лицензия Да Да Да Да
Внутренние инструменты Да Да Да Да Да Да

Сравнение API

Извлечение текста

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)

Извлечение на уровне символов

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}")

Извлечение изображений

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)

Создание 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.

Зашифрованные PDF

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()

Вывод в Markdown и HTML

PDF Oxide (уникальная возможность):

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)

Ни одна другая Python-библиотека для PDF не предоставляет встроенного преобразования в Markdown или HTML.

Профили библиотек

PDF Oxide

Сильные стороны:

  • Самое быстрое извлечение текста в бенчмарках благодаря ядру на Rust — в 5.8 раза быстрее PyMuPDF
  • 100% успешных тестов на корпусе из 3830 PDF — наивысшая надёжность среди всех протестированных библиотек
  • Единый API для извлечения, создания и редактирования в одной библиотеке
  • Встроенный экспорт в Markdown и HTML с распознаванием заголовков
  • Лицензия MIT без copyleft-ограничений
  • Нативная проверка соответствия (PDF/A, PDF/UA, PDF/X)
  • Готовые wheel-пакеты для всех основных платформ и Python 3.8–3.14
  • Нет системных зависимостей — wheel содержит всё необходимое

Ограничения:

  • Более молодая библиотека с меньшим сообществом
  • Извлечение таблиц базовое по сравнению с алгоритмами pdfplumber
  • Движок рендеринга менее зрелый, чем MuPDF

PyMuPDF (fitz)

Сильные стороны:

  • Зрелая и проверенная временем (на основе MuPDF, в разработке с 2005 года)
  • Отличное качество рендеринга сложных PDF
  • Встроенная интеграция OCR (Tesseract)
  • Богатый набор функций: экспорт в SVG, манипуляции со страницами, обнаружение таблиц

Ограничения:

  • Лицензия AGPL-3.0 требует открыть код вашего приложения или приобрести коммерческую лицензию
  • Большой размер wheel (~20 МБ) из-за встроенного MuPDF
  • Нет встроенного экспорта в Markdown
  • Нет проверки соответствия

pypdfium2

Сильные стороны:

  • Быстрый (на основе движка PDFium от Google)
  • Лицензия Apache-2.0 — разрешительная для коммерческого использования
  • Хорошее качество рендеринга

Ограничения:

  • Ограниченный API извлечения текста по сравнению с PDF Oxide или PyMuPDF
  • Нет создания или редактирования PDF
  • Поддержка полей форм только для чтения

pypdf

Сильные стороны:

  • Pure Python — устанавливается где угодно, без скомпилированных зависимостей
  • Лёгкая и хорошо поддерживаемая
  • Подходит для манипуляций с PDF (объединение, разделение, поворот, шифрование)
  • Большое сообщество и обширная документация

Ограничения:

  • В 15 раз медленнее PDF Oxide при извлечении текста
  • Качество извлечения текста страдает на сложных макетах
  • Нет рендеринга, экспорта в Markdown/HTML, извлечения таблиц

pdfplumber

Сильные стороны:

  • Лучшее извлечение таблиц среди всех Python-библиотек для PDF
  • Отличные данные о позиционировании на уровне символов
  • Инструменты визуальной отладки (аннотированные изображения страниц)
  • Лицензия MIT

Ограничения:

  • Pure Python — в 29 раз медленнее PDF Oxide
  • Только чтение — нет создания или редактирования PDF
  • Нет шифрования или рендеринга

pdfminer

Сильные стороны:

  • Детальный анализ символов и макета
  • Хорошая поддержка CJK-текста
  • Основа для pdfplumber и других инструментов
  • Лицензия MIT

Ограничения:

  • В 21 раз медленнее PDF Oxide (Pure Python, без оптимизаций)
  • Только чтение, нет создания или редактирования
  • Многословный API для типичных задач
  • Поддерживается менее активно

Когда что использовать

Сценарий Рекомендуемая библиотека
Быстрое извлечение текста PDF Oxide
Коммерческий / проприетарный продукт PDF Oxide, pypdfium2, pypdf, pdfplumber или pdfminer
Альтернатива PyMuPDF (лицензия MIT) PDF Oxide
Создание PDF из Markdown/HTML PDF Oxide
Проверка соответствия (PDF/A, PDF/X) PDF Oxide
Извлечение таблиц из счетов pdfplumber
Визуальная отладка извлечения pdfplumber
Уже вложились в MuPDF PyMuPDF (если совместимо с AGPL)
Минимум зависимостей pypdf (Pure Python)
Детальный анализ макета pdfminer
OCR для отсканированных документов PyMuPDF

Установка

# 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 поставляет готовые wheel-пакеты для Linux (x86_64, aarch64), macOS (x86_64, arm64) и Windows (x86_64). Компилятор и системные библиотеки не требуются.

Связанные страницы