Skip to content
PDF Oxide

PDF Oxide проти lopdf

lopdf — це низькорівневий Rust-крейт для прямої роботи з об’єктами PDF. PDF Oxide — високорівнева бібліотека з вбудованим вилученням тексту, створенням і редагуванням. Вони розраховані на принципово різні сценарії використання.

Ключові відмінності

Рівень абстракції. lopdf дає вам сирі об’єкти PDF — словники, потоки й таблиці перехресних посилань. Тут немає ні вилучення тексту, ні декодування шрифтів, ні експорту зображень. PDF Oxide надає спеціалізовані методи: extract_text(), extract_images(), to_markdown().

Надійність. lopdf не може розібрати 20% тестового корпусу з 3830 PDF. Із тих PDF, які йому вдається розібрати, 57% дають порожній результат, бо в lopdf немає вилучення тексту — ви отримуєте об’єкти, але не текст. PDF Oxide успішно обробляє 100%.

Швидкість на придатних до розбору PDF. На сирому розборі об’єктів lopdf швидший: у середньому 0,3 мс проти 0,8 мс у PDF Oxide. Але lopdf не виконує жодної роботи з вилучення тексту — вам довелося б самостійно реалізувати декодування шрифтів, розв’язання CMap, аналіз інтервалів і визначення порядку читання.

Стисле порівняння

PDF Oxide lopdf
Рівень API Високорівневий Низькорівневий
Вилучення тексту Вбудоване (промислового рівня) Немає
Частка успіху (3830 PDF) 100% 80,2%
Середній час розбору 0,8 мс 0,3 мс
Вилучення зображень Вбудоване Вручну (сирі потоки)
Поля форм Читання + запис Вручну (сирі словники)
Створення PDF Так (Markdown/HTML) Так (сирі об’єкти)
Виведення у Markdown/HTML Так Ні
Шифрування Читання + запис Ні
Рендеринг Так Ні
Валідація PDF/A Так Ні
Ліцензія MIT MIT

Чого lopdf не вміє

lopdf надає доступ до об’єктів PDF, але вилучення тексту вимагає інтерпретувати ці об’єкти відповідно до специфікації PDF. Ось що вам довелося б реалізувати самостійно:

  1. Розбір потоку вмісту — парсинг PostScript-подібних операторів (Tj, TJ, Tm, Tf тощо)
  2. Розв’язання шрифтів — пошук ресурсів /Font, розв’язання непрямих посилань
  3. Декодування CMap/ToUnicode — перетворення ідентифікаторів гліфів на символи Unicode
  4. Інтервали за метриками шрифту — обчислення ширини символів із дескрипторів шрифту
  5. Перетворення текстової матриці — застосування операторів Tm, Td, T* для позиціонування тексту
  6. Порядок читання — визначення правильного порядку для багатоколонкових макетів
  7. Відновлення лігатур — обробка лігатур fi, fl, ffi
  8. Кодування CJK — декодування китайських, японських і корейських текстових кодувань

Це тисячі рядків коду та глибоке знання ISO 32000. PDF Oxide робить усе це всередині себе.

Порівняння коду пліч-о-пліч

Вилучення тексту

PDF Oxide:

use pdf_oxide::PdfDocument;

let mut doc = PdfDocument::open("report.pdf")?;
let text = doc.extract_text(0)?;
println!("{}", text);

lopdf:

use lopdf::Document;

let doc = Document::load("report.pdf")?;

// lopdf does not provide text extraction.
// You get access to PDF objects only:
let page_id = doc.page_iter().next().unwrap();
let page = doc.get_dictionary(page_id)?;
let contents = page.get("Contents")?;
let stream = doc.get_object(contents.as_reference()?)?;

// To get actual text, you must:
// 1. Parse content stream operators
// 2. Resolve font references from /Resources
// 3. Decode CMap/ToUnicode mappings
// 4. Apply text matrix transformations
// 5. Handle encoding differences
// ... (hundreds to thousands of lines of code)

Створення PDF

PDF Oxide:

use pdf_oxide::api::Pdf;

let pdf = Pdf::from_markdown("# Report\n\n| Q1 | Q2 |\n|---|---|\n| $1M | $2M |")?;
pdf.save("report.pdf")?;

lopdf:

use lopdf::{Document, Object, Stream, dictionary};

let mut doc = Document::with_version("1.5");

// Create font dictionary
let font_id = doc.add_object(dictionary! {
    "Type" => "Font",
    "Subtype" => "Type1",
    "BaseFont" => "Helvetica",
});

// Create resources
let resources_id = doc.add_object(dictionary! {
    "Font" => dictionary! { "F1" => font_id },
});

// Create content stream (raw PostScript operators)
let content = Stream::new(
    dictionary! {},
    b"BT /F1 12 Tf 72 720 Td (Hello World) Tj ET".to_vec(),
);
let content_id = doc.add_object(content);

// Create page
let page_id = doc.add_object(dictionary! {
    "Type" => "Page",
    "MediaBox" => vec![0.into(), 0.into(), 612.into(), 792.into()],
    "Contents" => content_id,
    "Resources" => resources_id,
});

// Wire up page tree
let pages_id = doc.add_object(dictionary! {
    "Type" => "Pages",
    "Kids" => vec![page_id.into()],
    "Count" => 1,
});
doc.add_object(dictionary! {
    "Type" => "Catalog",
    "Pages" => pages_id,
});

doc.save("report.pdf")?;

Зашифровані PDF

PDF Oxide:

use pdf_oxide::PdfDocument;

let doc = PdfDocument::open_with_password("encrypted.pdf", "secret")?;
let text = doc.extract_text(0)?;
println!("{}", text);

lopdf:

// lopdf does not support encrypted PDFs.
// Loading an encrypted PDF will fail or produce undecrypted streams.

Порівняння надійності

Метрика PDF Oxide lopdf
Успішно розібрані PDF 3823 / 3823 (100%) 3071 / 3823 (80,2%)
PDF із текстовим виведенням 3823 / 3823 ~1320 / 3823 (оцінково)
Підтримка зашифрованих PDF Так Ні
Відновлення пошкоджених PDF Так Ні

Частка успіху 80,2% у lopdf означає, що він не справляється приблизно з 1 PDF із 5. Збої трапляються на зашифрованих документах, PDF із нестандартними таблицями xref і документах, що використовують потоки перехресних посилань. PDF Oxide справляється з усім цим завдяки нестрогому розбору й резервним стратегіям.

Коли що обирати

Обирайте PDF Oxide, якщо:

  • Вам потрібне вилучення тексту, вилучення зображень або будь-яка операція на рівні вмісту
  • Вам потрібен один крейт для читання + запису + створення
  • Вам потрібно надійно обробляти будь-які PDF (зашифровані, пошкоджені, складні)
  • Вам потрібне виведення у Markdown/HTML, рендеринг або OCR
  • Вам потрібна валідація на відповідність (PDF/A, PDF/X, PDF/UA)

Обирайте lopdf, якщо:

  • Вам потрібен прямий доступ до об’єктів PDF для власної обробки
  • Ви створюєте спеціалізований PDF-інструмент, що працює на рівні об’єктів
  • Вам потрібно об’єднувати документи, безпосередньо маніпулюючи деревами об’єктів
  • Ваші PDF прості й коректні (без шифрування, зі стандартними таблицями xref)

Поєднуйте обидва:

Використовуйте PDF Oxide для високорівневих операцій, а lopdf — для граничних випадків, що потребують доступу до сирих об’єктів:

[dependencies]
pdf_oxide = "0.3"
lopdf = "0.32"

Пов’язані сторінки