2ページの二段組PDFを10文書分、文字に直す時間は、PyMuPDFが16683042ナノ秒、pypdfが33520209ナノ秒でした。 予想と違ったのは、時間より読む順序です。 二つの道具は、同じ文字を同じ順番で返し、どちらも右の列から先に出しました。
ナノ秒は、10億分の1秒を表す単位です。 読み終わると、自分のPDFにどちらが合うかを、入力の種類と時間で決められます。
テキスト抽出:どちらも、PDFの中の文字を素の文章にして返します
PyMuPDFもpypdfも、PDFから文字だけを取り出せます。 今回は、装飾や位置の情報を付けない素の文章(プレーンテキスト)で比べました。
PyMuPDFの公式ページは、データの抽出やPDFの加工に使う、高性能なPythonライブラリと説明しています。 土台は、MuPDFという軽くて速いC言語のエンジンです。
一方のpypdfは、Pythonだけで書かれた、無料のオープンソースのPDFライブラリです。 文字とメタデータ(作者などの付随情報)も取り出せます。
呼び出しは、PyMuPDFが get_text("text", sort=False) です。
pypdfは extract_text(extraction_mode="plain") を使いました。
どちらも1ページずつ文字を返すので、全ページをつなげた全文で比べました。
使ったPDFは、権利のない自作の原稿から、ReportLabというPythonの道具で作った4種類です。 同じファイルの中身を、二つの道具にそのまま渡しました。
| 入力 | ページ数 | ファイルの大きさ | 中身 |
|---|---|---|---|
| 英数字1ページ | 1ページ | 1827バイト | 見出しと英数字30行 |
| 英数字20ページ | 20ページ | 19308バイト | 各ページに見出しと英数字30行 |
| 二段組2ページ | 2ページ | 2775バイト | 左右の列に各20行。右の列を先に描いた |
| 日本語2ページ | 2ページ | 4088バイト | 各ページに日本語20行 |
出典: PyMuPDF公式のGitHubページ・pypdf公式のGitHubページ(ともに2026年11月11日確認)、測定記録(2026年11月11日実施)
抽出結果:二段組だけ、二つとも右の列から先に読みました
英数字と日本語の入力は、二つの道具とも、全ページで正解の原稿と行の順番まで一致しました。 抜き出した全文は、4種類のどの入力でも、二つの道具で同じでした。
| 入力 | 抽出した文字数 | 行の数 | 行順まで正解と一致したページ | 行の内容と数が一致したページ |
|---|---|---|---|---|
| 英数字1ページ | 1585文字 | 31行 | 1ページ | 1ページ |
| 英数字20ページ | 31720文字 | 620行 | 20ページ | 20ページ |
| 二段組2ページ | 1692文字 | 82行 | 0ページ | 2ページ |
| 日本語2ページ | 1334文字 | 42行 | 2ページ | 2ページ |
表の値は、PyMuPDFとpypdfで同じです。 行の数は、空行を除いて数えました。
二段組は、行の内容と数が、2ページとも正解と合いました。 ところが、行の順番まで合ったページは、PyMuPDFもpypdfも0ページでした。
この入力は、右の列を先に描いて作ってあります。 二つの道具は、右の列、左の列の順に返し、正解の左の列、右の列にはなりませんでした。
日本語は、標準のCIDフォント(文字を番号で呼ぶ仕組みの日本語フォント)で描いた2ページです。 二つとも、1334文字を正解どおりに返しました。
この結果は、この自作PDFと、この抽出設定だけのものです。
出典: 測定記録(2026年11月11日実施)
処理時間:4種類の入力すべてで、PyMuPDFの中央値が小さくなりました
計ったのは、文書を新しく開き、全ページの文字を抜き、閉じて、結果を捨てるまでの壁時計の時間です。 1バッチは、20ページの入力で3文書分、ほかは10文書分としました。
バッチは、同じ処理をまとめて繰り返す1セットです。 下の表は、7バッチを短い順に並べた真ん中の値(中央値)です。
| 入力 | 1バッチの文書数 | PyMuPDF(ナノ秒) | pypdf(ナノ秒) |
|---|---|---|---|
| 英数字1ページ | 10文書 | 15166958 | 18357125 |
| 英数字20ページ | 3文書 | 66300125 | 105970292 |
| 二段組2ページ | 10文書 | 16683042 | 33520209 |
| 日本語2ページ | 10文書 | 16429916 | 36048666 |
同じ行の中では、文書の数がそろっています。 行をまたいで比べる時は、文書の数が違う点に気をつけてください。
実行の順番は、バッチごとに交互にしました。 どの入力でも、PyMuPDFのいちばん遅いバッチが、pypdfのいちばん速いバッチより短く終わりました。
差がいちばん小さいのは、1ページの入力です。 日本語の2ページの入力では、PyMuPDFの16429916ナノ秒に対し、pypdfは36048666ナノ秒でした。
出典: 測定記録(2026年11月11日実施)
落とし穴:速くても、読む順序は直りません
時間の表だけで選ぶと、二段組で困ります。 今回の二段組の入力では、PyMuPDFもpypdfも、読む順序が正解と合いませんでした。
文字の抜けはなく、順番だけが逆になりました。 抜き出した文章を要約や検索に回す時は、先に並びを確かめてください。
いちばん安い確認は、自分のPDFを数ページ抜いて、行の並びを目で見ることです。
もう一つ、仕事で使う時は、ライセンスを読んでください。 PyMuPDFは、GNU AGPL v3のオープンソースとして公開され、商用では、Artifex社の別ライセンスも案内されています。
自分の使い方が当てはまるかは、公式ページの原文で確かめるのが安全です。
どちらを選ぶか:時間を短くしたいならPyMuPDF、Pythonだけで足りるならpypdfです
決め手は、時間、読む順序、作りとライセンスの三つです。 選ぶ理由は、次のとおりです。
- 時間を短くしたいならPyMuPDFです。20ページの入力は、3文書分で66300125ナノ秒対105970292ナノ秒でした。
- 二段組の読む順序は、どちらを選んでも自分で確かめます。手元の入力では、行順が合ったページは二つとも0ページでした。
- Pythonだけで書かれた道具がよい人は、pypdfも候補です。商用のライセンスを別に結ぶ手間も、先に見ておきます。
| 比べる項目 | PyMuPDF | pypdf |
|---|---|---|
| 作りの説明 | C言語のエンジンMuPDFが土台 | Pythonだけで書かれている |
| 文字の出力形式 | プレーンテキスト、辞書形式、HTML、XML、生のブロックが挙がっている | 文字とメタデータを取り出せる |
| 手元の抽出結果 | 4種類の入力で、pypdfと同じ全文 | 4種類の入力で、PyMuPDFと同じ全文 |
| 手元の処理時間 | 4種類の入力すべてで短い | 4種類の入力すべてで長い |
| ライセンス | GNU AGPL v3と、商用の別ライセンス | 公式ページのライセンス欄を参照 |
次の箱で、二つの道具の一言まとめを見比べてください。
道具ごとの一言まとめ
PyMuPDF
C言語のエンジンが土台の、機能の広いPDF道具です。手元の測定では、時間が短く終わりました。
pypdf
Pythonだけで書かれた、無料のPDF道具です。文字の抜き出し結果は、PyMuPDFと同じでした。
自分の使い方で選ぶ時は、次の流れ図を上から順にたどってください。
PyMuPDFとpypdfの選び方
- 1. 読む順序が大事な、二段組のPDFを扱いますか?はい → どちらを選んでも、手元の測定では右の列から先に出ました。選ぶ前に、自分のPDFで並びを確かめてください。いいえ → 次は質問2です。
- 2. 仕事の製品に組み込んで使いますか?はい → PyMuPDFは商用で別のライセンスが案内されています。公式ページの原文で条件を確かめてください。いいえ → 次は質問3です。
- 3. 多くのPDFを繰り返し処理して、時間を短くしたいですか?はい → PyMuPDFを選びます。手元の測定では、四つの入力のすべてで中央値が短く終わりました。いいえ → どちらでも足ります。使い慣れた方で始めてください。
迷ったら、自分のPDFを数枚、両方に通して、行の並びと時間を見比べます。 結果が割れた時だけ、設定の調整を調べる順番が安全です。
測定と比較の範囲
測定は2026年11月11日(日本時間)に、このMac1台で行いました。
環境は、macOS 27.2.1、arm64、CPython 3.14.10です。 PyMuPDFは1.28.0(MuPDF 1.29.0)、pypdfは7.0.1、ReportLabは4.4.10でした。 論理CPUは12で、CPUを直列に動かし、GPUとMetalは使っていません。
入力は、4種類で合計25ページの自作PDFです。 同じバイト列を、メモリの上で二つの道具に渡しました。
各入力と道具で、1バッチの準備運転をしてから、7バッチを計りました。
合計は56バッチです。
計時は perf_counter_ns で行い、計時の間は循環ガベージコレクション(使い終わったメモリの自動回収)を止めました。
各バッチの前に、回収を済ませています。
入力の生成、import、ディスクの読み書き、照合、ハッシュ、明示的な回収は、計時に入っていません。 同じプロセスで繰り返したため、キャッシュが温まった条件です。起動直後の比較ではありません。
比べたのは、通常のプレーンテキスト抽出だけです。 PyMuPDFのsortの指定や、pypdfのlayoutモードの調整は、行っていません。
自作の原稿に対する抽出の一致は、読む順序と行の内容だけを見ています。 一般的な文書理解の品質、OCR、見た目の再現、表の構造、画像、スキャンPDF、暗号化、破損したPDF、縦書き、複雑なフォントは、範囲外です。 メモリ量、電力、インストール時間、コマンドの起動時間、ファイルの読み込み、並列の性能も測っていません。
CPUの占有、温度、電源モード、他の処理の負荷は、固定していません。 計時は7バッチずつで、有意差の検定もしていません。
公式ページにある速度の比較の数字は使っていません。 pypdfのライセンスの種類も、この記事では確かめていません。
出典
公式ページ(すべて2026年11月11日に確認)
- PyMuPDF 公式 GitHub — https://github.com/pymupdf/PyMuPDF
- pypdf 公式 GitHub — https://github.com/py-pdf/pypdf
自前の測定(2026年11月11日実施)
変更履歴
| 日付 | 内容 |
|---|---|
| 2026-11-11 | 初版公開。同じ自作PDFで、テキスト抽出の結果と処理時間を比べた |
