ローカル実測/文書処理

PyMuPDFとpypdfのローカルPDF処理を比較|同じPDFで測ったテキスト抽出の結果と処理時間

この記事の料金・仕様は時点で各社の公式ページを確認したものです。

一枚のPDFが二つの道具に分かれて読まれる、文字抽出を表す抽象イラスト

同じPDFを二つの道具に渡し、文字の抜き出し方と、かかった時間を並べました。二段組と日本語の入力で何が起きたかも載せています。

結論

同じPDFをたくさん処理して、時間を短くしたい人は
PyMuPDFが向いています。手元の測定では、四つの入力のすべてで、PyMuPDFの中央値のほうが短く終わりました。
Pythonだけで書かれた、無料のオープンソースの道具がよい人は
pypdfが向いています。文字とメタデータを取り出せて、手元の測定でも、PyMuPDFと同じ全文を返しました。
二段組のPDFの読む順序を、そのまま信じたい人は
どちらを選んでも注意が要ります。手元の二段組の入力では、二つとも右の列から先に返しました。自分のPDFで並びを確かめてから選んでください。

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1516695818357125
英数字20ページ3文書66300125105970292
二段組2ページ10文書1668304233520209
日本語2ページ10文書1642991636048666

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。

  1. 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。
  2. 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。
  3. 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PyMuPDFpypdf
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。

出典: 各社の公式ページ(2026年11月11日確認)

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. 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. 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. 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。
出典: 各社の公式ページ(2026年11月11日確認)

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)

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

このサイトで測った元データ

更新履歴

  1. 初版。同じ自作PDFで測ったテキスト抽出の結果と処理時間を掲載した

    一次ソース

関連記事