# PyMuPDF / pypdf ローカルPDF抽出の実測

対象: `pymupdf-pypdf-local-hikaku` / 依頼 `req-20261022-065`。
測定日: 2026-11-11（Asia/Tokyo）。rawのUTC開始・終了時刻ではなく、`measured_at`は計測終了時の取得時刻。
このMacのCPUで両方を実行でき、題材の「テキスト抽出・抽出結果・処理時間」の比較軸は成立した。
鍵、ログイン、有料API、購入、GPU、Metal、音声入出力は使用していない。
公開、X投稿、git commitは実行していない。public配下への保存はローカルの証拠配置のみ。

## 環境と入力

macOS 27.2.1 / arm64 / CPython 3.14.10 / 論理CPU12。
PyMuPDF 1.28.0（MuPDF 1.29.0）、pypdf 7.0.1、ReportLab 4.4.10。
一時venvにはPillow 13.0.0、charset-normalizer 3.5.2も導入された。版はrawのenvironmentに記録。
CPUで直列実行し、GPU/Metalを使うライブラリやAPIは呼んでいない。

ReportLabで権利や個人情報のない固定の自作原稿から4種類、合計25ページを生成した。
612×792ポイント、圧縮あり、`invariant=1`。同じPDF bytesを両者のメモリ入力に渡した。
入力PDFのbyte数とSHA256、ページごとの正解原稿をrawのcasesに保存した。
PDFそのものは一時領域だけに置き、再実行コードから生成できる。

- single1: 1ページ、各ページ見出しと英数字30行、Helvetica。
- single20: 20ページ、各ページ見出しと英数字30行、Helvetica。
- columns2: 2ページ、各ページ見出しと左右各20行。右列を先に描画し、正解の読む順序を左列→右列とした意図的な事例。
- japanese2: 2ページ、各ページ見出しと日本語20行、標準CIDフォントHeiseiMin-W3（埋め込みなし）。英数字見出しはHelvetica。

## 手順と生データ

PyMuPDFは`open(stream=..., filetype="pdf")`と`page.get_text("text", sort=False)`。
pypdfは`PdfReader(BytesIO(...), strict=False)`と`page.extract_text(extraction_mode="plain")`。
それぞれの通常のプレーンテキスト抽出を比較した。PyMuPDFのsortやpypdfのlayoutモードの調整比較は行っていない。
両者とも文書を毎回新規に開き、全文抽出し、closeし、返却テキストを解放するまでを計時した。
pypdf等の内部循環参照はバッチ後まで残る場合があり、遅延GCの回収時間は含まない。

各入力・ツールで最初に抽出全文を保存。warmupを1バッチ実行後、7バッチずつ測定した。
1バッチはsingle20が3文書分、ほかは10文書分。4入力×2ツール×7回=56バッチ。
奇数回はPyMuPDF→pypdf、偶数回はpypdf→PyMuPDFの順に実行。
`perf_counter_ns()`（mach_absolute_time）を用いた壁時計の整数nsをtrialsにそのまま保存。
各バッチ前に`gc.collect()`し、計時中は循環GCを停止、計時後に再開した。
入力生成・import・依存取得・ディスクI/O・照合・SHA256・明示的GCは計時外。
両者とも同じプロセス内で繰り返すため、OS/ライブラリ/フォント等のキャッシュがある温まった条件であり、コールドスタートの比較ではない。
各計時バッチ後、計時外で再抽出して保存した出力と一致することをassertした。

rawのoutputsはページごとの無加工の抽出全文、文字数（Python len、改行込み）、非空行数、正解との一致ページ数、出力SHA256を保持する。
正解との完全一致判定は各行の前後空白を削り、空行を除き、行順を保持して比較。
別途、行の多重集合が一致するページ数も保存した。同じ行が複数ある場合の件数も保持する。
出力SHA256はページ文字列配列の`json.dumps(ensure_ascii=False, separators=(",", ":"))`のUTF-8に対する値。
生データ全体のSHA256は台帳のraw_sha256に別途保存する。

## 観察した結果

抽出全文は4入力ともツール間で同じだった（outputsのSHA256も一致）。
単段の英数字と日本語は、両者とも全ページで正解に一致した。
columns2は両者とも行の内容・件数は全ページ一致したが、右列→左列の抽出となり、読む順序を含む一致は0/2ページだった。
これはこの合成PDFと明示した抽出設定での現象であり、すべての二段組PDFの結果や設定調整後の限界を示すものではない。

表のnsは7バッチの中央値。ms/文書は`中央値ns ÷ バッチ内文書数 ÷ 1,000,000`で換算して小数6桁表示。
丸め前の各バッチ整数値をrawと台帳のidentity assertionで確認できる。

| 入力 | ページ/文書 | 文書/バッチ | PyMuPDF 中央値ns/バッチ | pypdf 中央値ns/バッチ | PyMuPDF ms/文書 | pypdf ms/文書 |
|---|---:|---:|---:|---:|---:|---:|
| single1 | 1 | 10 | 15166958 | 18357125 | 1.516696 | 1.835713 |
| single20 | 20 | 3 | 66300125 | 105970292 | 22.100042 | 35.323431 |
| columns2 | 2 | 10 | 16683042 | 33520209 | 1.668304 | 3.352021 |
| japanese2 | 2 | 10 | 16429916 | 36048666 | 1.642992 | 3.604867 |

この4入力ではPyMuPDFの中央値が小さかった。速度差を他のPDF、Mac、版、実務全般へ一般化しない。

## 範囲と限界

外部推論やAIモデルの回答品質は測っていない。測った品質に相当するものは、固定した自作原稿に対する限定的な抽出一致だけ。
一般的な文書理解品質、OCR精度、見た目の再現、表の構造解析、画像、スキャンPDF、暗号化、破損、縦書き、複雑なフォントは未評価。
メモリ量、電力、インストール時間、CLI起動時間、ファイル読み込み、ディスクを含む業務処理時間、並列性能も測っていない。
CPUの占有、温度、電源モード、他プロセスの負荷は固定しておらず、小さな処理時間には変動がある。
ネット上の他者の数値は実測証拠にしていない。公式ページは対象ライブラリの確認にのみ使用した。

## 再実行と保存

隣の`pymupdf-pypdf-local-2026-11-11-req065-a1-replay.txt`はPythonソース。

```sh
python3 measurements/pymupdf-pypdf-local-2026-11-11-req065-a1-replay.txt --output /private/tmp/pdf-comparison-new-result
```

出力ディレクトリが既にある場合は上書きせず失敗する。コピーした作業場所の外の新しい出力先を指定する。
初回の依存取得にインターネットを使うが、鍵・認証は不要。PyPIの公開パッケージだけを一時venvに導入する。
主要3パッケージの版は固定し、依存パッケージの実際の版は毎回記録する。
入力PDFとvenvは`TemporaryDirectory(dir="/private/tmp")`内に生成し、成功・例外とも終了時に削除する。
この実行でも一時入力・venvの削除を確認した。残るのは指定した結果JSONのみ。
再実行コードは台帳更新や公開を行わない。時間は再実行のたびに変わる。

保存物は新規のraw JSON、README MD、replay TXTの3本で、measurementsとpublic/measurementsに同じバイトを配置。
台帳はtopics.pymupdf-pypdf-local-hikakuだけ追加。記事、topics.json、検査コード・条件は変更していない。

## 公式参照先

- https://github.com/pymupdf/PyMuPDF
- https://github.com/py-pdf/pypdf
