yfedoseev/pdf_oxide
The fastest PDF library for Python and Rust. Text extraction, image extraction, markdown conversion, PDF creation & editing. 0.8ms mean, 5× faster than industry leaders, 100% pass rate on 3,830 PDFs. MIT/Apache-2.0.
解決的問題
PDFOxide 是一款高性能 PDF 工具包，旨在克服現有函式庫的速度與授權限制。它為 PyMuPDF 等工具提供了一個快速且採用 MIT 授權的替代方案，能夠使用 20 種不同的程式語言從 PDF 中高效地提取文本、圖像與版面配置。
工作原理
該專案基於 Rust 核心構建，負責處理 PDF 處理的繁重工作。為了提供廣泛的存取能力，它公開了穩定的 C ABI，從而可以為其他 19 種語言（包括 Python、Go、JS/TS、Java 與 C++）建立慣用的綁定。它還包含一個用於終端機處理的 CLI 工具，以及一個允許 Claude 與 Cursor 等 AI 助手在本地與 PDF 互動的 MCP 伺服器。
適用對象
- RAG 與 LLM 開發人員：需要將 PDF 轉換為乾淨的 Markdown 以用於檢索增強生成流水線的開發人員。
- AI 助手建置者：希望將本地 PDF 存取整合到其代理中的建置者。
- 數據工程師：為了學術研究或從表單與表格中進行結構化數據提取，而大規模處理數千個 PDF 的工程師。
- 軟體開發人員：正在尋找具有寬鬆 MIT 授權的 PyMuPDF 替代方案的開發人員。
亮點
- 極速性能：每份文件的平均處理時間為 0.8 毫秒，據稱比 PyMuPDF 快 5 倍，比 pypdf 快 15 倍。
- 廣泛的語言支援：支援 20 種語言的原生綁定，包括 Rust、Python、Go、JS/TS、C#、Java、Kotlin、Swift、C++ 等。
- 高可靠性：在 3,830 個真實世界的 PDF 語料庫（veraPDF、Mozilla pdf.js 與 DARPA SafeDocs）上實現了 100% 的通過率。
- AI 就緒：內建 MCP 伺服器，可與 AI 助手直接整合。
- 全面的功能集：支援文本、圖像與版面配置提取，以及 PDF 建立、編輯與表單填寫。