ISSN 2953-6367  
http://revistainvestigo.com  
Julio - diciembre 2026  
Vol. 7 No. 20, PP. 299-313  
https://doi.org/10.56519/jw1x1e61  
ANÁLISIS COMPARATIVO DE LIBRERÍAS PYTHON PARA  
EXTRACCIÓN DE TEXTO DESDE DOCUMENTOS PDF DIGITALES  
COMPARATIVE ANALYSIS OF PYTHON LIBRARIES FOR TEXT  
EXTRACTION FROM DIGITAL PDF DOCUMENTS  
Angel P. Flores-Orozco1, Omar G. Bravo-Quezada2, Diana E. Gómez-García3  
{aflores@espoch.edu.ec1, obravo@ups.edu.ec2, elizabeth.gomez@espoch.edu.ec3}  
Fecha de recepción: 14/05/2026 / Fecha de aceptación: 22/06/2026  
/ Fecha de publicación: 08/07/2026  
RESUMEN: La extracción automática de texto desde documentos PDF constituye una tarea  
fundamental para aplicaciones de minería de texto, recuperación de información, gestión  
documental y construcción de corpus lingüísticos. El objetivo de esta investigación fue  
comparar el desempeño de cuatro librerías Python para extracción de texto desde PDF:  
PyMuPDF, pdfminer.six, pdfplumber y pypdf. El experimento se desarrolló con cuatro  
documentos PDF digitales de 10, 25, 50 y 100 páginas con estructura de complejidad media:  
tablas, encabezados repetitivos, gráficos con texto, dos idiomas; estos fueron procesados bajo  
las mismas condiciones computacionales y mediante una rutina homogénea de extracción,  
limpieza básica y segmentación por punto. Las métricas evaluadas fueron tiempo de extracción,  
total de frases, porcentaje de frases válidas, porcentaje de duplicados, escalabilidad temporal  
y páginas con error. Los resultados mostraron que PyMuPDF alcanzó el mejor rendimiento  
temporal, con un promedio de 0.24 segundos por documento, mientras que pdfminer.six  
obtuvo el mayor porcentaje de frases válidas, con 59.18 %. pdfplumber presentó el menor  
porcentaje promedio de duplicados, con 38.12 %. El análisis estadístico evidenció que las  
diferencias de tiempo fueron significativas al considerar la transformación logarítmica y el  
bloqueo por documento, mientras que las diferencias de calidad textual fueron más  
moderadas. Se concluye que la selección de la librería debe depender del objetivo de uso:  
velocidad, mayor recuperación textual o menor redundancia.  
Palabras clave: extracción de texto, PDF, Python, procesamiento documental, corpus lingüístico,  
minería de texto  
ABSTRACT: Automatic text extraction from PDF documents is a fundamental task for text  
mining, information retrieval, document management, and linguistic corpus building  
1Grupo de Investigación INFOSO, Escuela Superior Politécnica de Chimborazo sede Morona, Ecuador, https://orcid.org/0000-  
0003-1484-2949; +593 99 987 9382.  
2Grupo de Investigación GIHP4C, Universidad Politécnica Salesiana sede Cuenca, Ecuador, https://orcid.org/0000-0002-5543-  
5672; + +593 96 322 3221.  
3Carrera Tecnologías de la Información, Escuela Superior Politécnica de Chimborazo sede Morona, Ecuador,  
https://orcid.org/0009-0004-1182-6980; +593 98 451 0615.  
299  
Revista Científica Multidisciplinaria InvestiGo  
Riobamba – Ecuador  
Cel: +593 97 911 9620  
revisinvestigo@gmail.com  
ANÁLISIS COMPARATIVO DE LIBRERÍAS PYTHON PARA EXTRACCIÓN DE TEXTO DESDE DOCUMENTOS PDF DIGITALES  
applications. The objective of this research was to compare the performance of four Python  
libraries for text extraction from PDFs: PyMuPDF, pdfminer.six, pdfplumber, and pypdf. The  
experiment was conducted with four digital PDF documents of 10, 25, 50, and 100 pages with  
complex structures: tables, repetitive headings, and graphics with text and two languages.  
These were processed under the same computational conditions and using a homogeneous  
routine of extraction, basic cleaning, and point segmentation. The metrics evaluated were  
extraction time, total number of phrases, percentage of valid phrases, percentage of duplicates,  
time scalability, and pages with errors. The results showed that PyMuPDF achieved the best  
performance in terms of time, with an average of 0.24 seconds per document, while  
pdfminer.six obtained the highest percentage of valid phrases, at 59.18%. pdfplumber showed  
the lowest average percentage of duplicates, at 38.12%. Statistical analysis revealed that the  
time differences were significant when considering logarithmic transformation and document  
locking, while the differences in text quality were more moderate. It is concluded that the  
selection of the library should depend on the intended use: speed, greater text retrieval, or less  
redundancy.  
Keywords: text extraction, PDF, Python, document processing, linguistic corpus, text mining  
INTRODUCCIÓN  
Los documentos en formato Portable Document Format (PDF) dominan en la actualidad el  
panorama digital como estándar para la distribución, preservación y consulta de documentos  
digitales en contextos académicos, administrativos, técnicos y científicos. Su adopción universal  
obedece a su capacidad para preservar la integridad y mantener el diseño original de los  
documentos, lo que favorece su uso en bibliotecas digitales, repositorios institucionales,  
publicaciones científicas y archivos documentales (1).  
El PDF se ha consolidado como el formato de facto en contextos donde la fidelidad visual es  
crítica, especialmente en documentos legales, financieros, científicos y administrativos, donde la  
apariencia exacta del contenido es tan importante como el contenido mismo, a pesar de esta  
omnipresencia, el desafío de extraer información textual de archivos PDF de manera precisa y  
automatizada continúa siendo una tarea compleja y multifacética. Esta dificultad surge de  
múltiples factores interrelacionados: la arquitectura interna del formato PDF, que puede variar  
significativamente entre documentos, las inconsistencias en la codificación de caracteres, las  
variaciones estructurales en la disposición de contenido, y la diversidad en cómo se presenta  
visualmente la información en la página (2).  
Los lenguajes de marcado estructurado tales como XML u HTML presentan una ventaja  
fundamental: su arquitectura se basa en una declaración explícita de metadatos a través de  
etiquetas, que facilita la interpretación semántica del contenido. El formato PDF, por el contrario,  
fue concebido con una finalidad distinta: la preservación de la fidelidad visual y la disposición  
espacial del documento original. Este enfoque de diseño implica una consecuencia operativa  
significativa: aunque la presentación tipográfica resulte legible y coherente para el usuario final,  
la representación interna del documento se encuentra fragmentada en elementos geométricos  
300  
ANÁLISIS COMPARATIVO DE LIBRERÍAS PYTHON PARA EXTRACCIÓN DE TEXTO DESDE DOCUMENTOS PDF DIGITALES  
bloques de texto, coordenadas, objetos gráficos que no conservan una estructura semántica  
explícita. Esta discrepancia entre la manifestación visual y la codificación interna genera desafíos  
sustanciales durante los procedimientos de extracción automatizada, particularmente cuando los  
documentos contienen componentes como matrices de datos, encabezados seriados u  
organizaciones complejas del contenido en múltiples subsecciones (1). Consecuentemente, la  
recuperación programática de información textual desde archivos PDF demanda el empleo de  
algoritmos sofisticados y protocolos de procesamiento específicamente diseñados para  
normalizar y consolidar el contenido extraído con un nivel aceptable de fidelidad.  
La capacidad de extraer y procesar automáticamente contenido desde documentos PDF se ha  
vuelto cada vez más importante en aplicaciones relacionadas con análisis de datos e inteligencia  
artificial. En la actualidad, este tipo de procesamiento se utiliza en escenarios muy diversos, como  
la digitalización de archivos históricos, la preservación de documentos patrimoniales, el análisis  
de publicaciones científicas y la automatización documental en instituciones públicas y privadas.  
También tiene un papel relevante en sistemas de recuperación de información y en procesos de  
transformación digital, donde grandes volúmenes de documentos necesitan ser procesados sin  
intervención manual constante (3). Disponer de herramientas capaces de recuperar texto de  
manera rápida y consistente representa una necesidad práctica más que únicamente técnica.  
La importancia de una extracción textual precisa ha aumentado aún más con el crecimiento de  
los sistemas de Recuperación Aumentada por Generación (RAG) y de los modelos de lenguaje de  
gran escala. Estos sistemas dependen directamente de la calidad del texto obtenido durante las  
primeras etapas del procesamiento documental. Si la extracción introduce errores, duplicados o  
fragmentación excesiva, esos problemas se propagan hacia las etapas posteriores de indexación,  
recuperación y generación de respuestas. Estudios recientes señalan que una selección  
inadecuada de herramientas de extracción puede provocar pérdida de información relevante y  
afectar el rendimiento general de todo el sistema (4). En documentos complejos, no basta  
únicamente con extraer grandes cantidades de texto; también es necesario conservar una  
estructura suficientemente coherente que facilite su posterior análisis y utilización por otros  
sistemas automáticos.  
En el ecosistema Python, que se ha convertido en el estándar para investigadores y  
desarrolladores en ciencia de datos y procesamiento de lenguaje natural, existen múltiples  
librerías disponibles para realizar extracción de texto desde PDF. Cada una de estas herramientas  
implementa diferentes enfoques, con fortalezas y limitaciones particulares que las hacen más o  
menos adecuadas según el contexto específico de aplicación. Este trabajo presenta un estudio  
comparativo sistemático de cuatro librerías ampliamente utilizadas en la comunidad:  
pdfminer.six, pdfplumber, PyMuPDF (también conocido como fitz) y pypdf. Estas herramientas  
representan diferentes filosofías de diseño arquitectónico: desde enfoques basados en el análisis  
estructural profundo del formato PDF, que sacrifican velocidad por precisión, hasta  
optimizaciones centradas en velocidad de procesamiento mediante compilación en lenguajes de  
bajo nivel, pasando por soluciones que buscan balances intermedios entre ambos extremos (5-  
8).  
301  
ANÁLISIS COMPARATIVO DE LIBRERÍAS PYTHON PARA EXTRACCIÓN DE TEXTO DESDE DOCUMENTOS PDF DIGITALES  
Aunque existen múltiples librerías para extracción de texto desde PDF, todavía son limitados los  
estudios que realizan comparaciones experimentales bajo condiciones homogéneas y utilizando  
métricas cuantitativas reproducibles. En muchos casos, las investigaciones previas se han  
centrado en tipos específicos de documentos o en el análisis aislado de determinadas  
herramientas, dificultando la identificación de ventajas y limitaciones reales entre librerías (9-10).  
Factores como el tamaño del documento, la presencia de tablas o la estructura visual suelen  
influir directamente en los resultados de extracción, por lo que comparar herramientas en  
diferentes escenarios documentales resulta necesario para obtener conclusiones más  
consistentes (11).  
El objetivo principal del estudio fue generar evidencia cuantitativa que permita orientar la  
selección de herramientas de extracción textual según diferentes necesidades de procesamiento  
documental. Más allá de identificar cuál librería es más rápida o cuál recupera mayor cantidad de  
texto, el interés estuvo en analizar el equilibrio entre rendimiento computacional, calidad de  
segmentación y redundancia del contenido extraído (12). Los resultados obtenidos pueden servir  
como referencia para investigadores, desarrolladores y profesionales que trabajan en minería de  
texto, construcción de corpus, sistemas de recuperación de información o aplicaciones basadas  
en inteligencia artificial, especialmente en contextos donde se requiere procesar grandes  
volúmenes de documentos PDF de forma automatizada.  
MATERIALES Y MÉTODOS  
La investigación se inclinó por un enfoque cuantitativo, con diseño experimental comparativo. Se  
evaluaron cuatro librerías especializadas en extracción de texto desde documentos PDF digitales:  
PyMuPDF, pdfminer.six, pdfplumber y pypdf. La selección de estas librerías Python se justificó por  
su uso frecuente en proyectos de procesamiento documental, su disponibilidad por ser open  
source y su facilidad para escenarios de fácil reproducción en Python (5-8).  
El corpus de prueba estuvo conformado por cuatro documentos PDF digitales de diferente  
extensión: 10, 25, 50 y 100 páginas. Estos documentos presentaron una estructura heterogénea  
de complejidad media, se caracterizaron por: contenido bilingüe Shuar-Español, múltiples  
columnas, encabezados repetitivos, elementos gráficos, incluyen tablas complejas, alineaciones  
irregulares, saltos de línea no estructurados y combinaciones de texto e imágenes; condiciones  
que incrementan la dificultad de la extracción automática.  
La estrategia metodológica excluyó OCR. Puesto que se trataba de PDFs con contenido de texto  
ya digitalizado, recurrir a técnicas de reconocimiento óptico habría introducido complejidad  
innecesaria. El objetivo era centrar la atención específicamente en cómo cada librería se  
desempeña frente a cadenas de texto ya codificadas dentro del documento PDF, sin la  
interferencia de procedimientos de extracción de imágenes. De esta manera, fue posible evitar  
que variables externas como la calidad de imagen, la resolución de escaneo, ruido de fondo o  
errores de reconocimiento de caracteres; influyeran en los hallazgos.  
302  
ANÁLISIS COMPARATIVO DE LIBRERÍAS PYTHON PARA EXTRACCIÓN DE TEXTO DESDE DOCUMENTOS PDF DIGITALES  
Los experimentos se llevaron a cabo utilizando el entorno en la nube Google Colab, con Python 3  
como lenguaje de programación. La infraestructura computacional disponible consistía en  
procesadores CPU con una capacidad de 12 gigabytes de memoria RAM. El pipeline de  
procesamiento incluyó: lectura y apertura del PDF, recuperación del contenido textual  
segmentado por página, normalización del texto (eliminación de saltos de línea innecesarios y  
consolidación de espacios repetidos), división del contenido en unidades más pequeñas utilizando  
el punto como elemento de separación, cuantificación de términos y símbolos, validación de  
coherencia textual para cada segmento, e identificación de repeticiones exactas.  
Operacionalmente, definimos como "frase" cualquier secuencia de caracteres delimitada por un  
punto. Si bien esta definición no captura la totalidad de fenómenos lingüísticos posibles en  
español, tuvo la ventaja de proporcionar criterios de segmentación uniformes e idénticos para  
todas las herramientas bajo examen.  
El proceso de limpieza aplicado al texto extraído consistió únicamente en la eliminación de saltos  
de línea, normalización de espacios múltiples y eliminación de espacios innecesarios al inicio y  
final de cada fragmento textual. Posteriormente, se calcularon métricas como número de  
palabras, número de caracteres, porcentaje de frases válidas, duplicados y tiempo de extracción.  
Para la identificación de frases válidas se establecieron criterios mínimos automáticos: al menos  
tres palabras, un mínimo de diez caracteres y presencia de caracteres alfabéticos.  
El análisis estadístico se realizó con el propósito de determinar si las diferencias observadas entre  
las librerías eran significativas. Se aplicó inicialmente un ANOVA de un factor para comparar las  
medias de las métricas principales entre librerías. Debido al tamaño reducido de la muestra  
experimental, se incorporó adicionalmente la prueba no paramétrica de Kruskal–Wallis como  
método complementario de validación. Finalmente, considerando que los mismos documentos  
fueron procesados por todas las librerías, se aplicó un ANOVA bloqueado por documento y una  
prueba post hoc de Tukey HSD para identificar diferencias específicas entre pares de librerías en  
las métricas donde se observaron diferencias significativas.  
Tabla 1. Diseño experimental aplicado en la comparación de librerías.  
Elemento  
Descripción  
Librerías Python del experimento  
Documentos de prueba para  
procesamiento  
PyMuPDF, pdfminer.six, pdfplumber y pypdf  
Cuatro documentos de 10, 25, 50 y 100 páginas  
Tipo de PDF  
PDF digital, sin OCR  
Estructura del documento  
Unidad de análisis  
Tablas, encabezados repetitivos, 2 idiomas, saltos de línea variables  
Frase segmentada por punto  
Total de ejecuciones  
Entorno de ejecución  
16 ejecuciones experimentales  
Google Colab con Python 3  
El procedimiento experimental se estandarizó con un algoritmo general para las cuatro librerías  
evaluadas. Cada libro PDF fue procesado utilizando una secuencia común de extracción, limpieza,  
segmentación y cálculo de métricas, este procedimiento hace fácil la comparación de los  
resultados bajo condiciones homogéneas y reproducibles.  
303  
ANÁLISIS COMPARATIVO DE LIBRERÍAS PYTHON PARA EXTRACCIÓN DE TEXTO DESDE DOCUMENTOS PDF DIGITALES  
Algoritmo 1. Procedimiento general de extracción textual desde PDF  
Entrada:  
D = conjunto de documentos PDF  
L = conjunto de librerías de extracción  
Salida:  
Archivos CSV de frases y métricas  
Inicio  
Para cada librería l en L hacer  
Para cada documento d en D hacer  
iniciar temporizador  
extraer texto del documento usando l  
limpiar y normalizar texto  
segmentar texto en frases  
calcular métricas:  
- total de frases  
- frases válidas  
- frases duplicadas  
- total de palabras  
- tiempo de extracción  
guardar frases extraídas  
guardar métricas del procesamiento  
Fin Para  
Fin Para  
Fin  
RESULTADOS  
Entre Los resultados consolidados permitieron comparar el comportamiento de las cuatro  
librerías en términos de velocidad, volumen textual recuperado y porcentaje de frases. Ninguna  
de las ejecuciones registró páginas con error, por lo que todas las herramientas lograron procesar  
la totalidad de los documentos evaluados.  
Tabla 2. Promedios por librería en las métricas principales.  
Librería  
PyMuPDF  
pypdf  
pdfminer.six  
pdfplumber  
Tiempo promedio (s)  
Total de frases promedio  
3267.500  
3267.500  
3297.500  
3301.000  
Frases válidas (%)  
58.105  
58.105  
59.175  
57.230  
0.2360  
3.106  
7.479  
9.615  
Fuente: Elaboración propia a partir de los resultados experimentales.  
304  
ANÁLISIS COMPARATIVO DE LIBRERÍAS PYTHON PARA EXTRACCIÓN DE TEXTO DESDE DOCUMENTOS PDF DIGITALES  
Figura 1. Tiempo promedio de extracción por librería.  
Fuente: Elaboración propia.  
La Figura 1 muestra diferencias importantes en los tiempos de extracción entre las librerías. En la  
ejecución de las pruebas experimentales, PyMuPDF fue consistente y alcanzó los menores  
tiempos de procesamiento, con un promedio de 0.24 segundos por documento. pypdf alcanzó  
tiempos mayores, aunque todavía considerablemente inferiores a los registrados por  
pdfminer.six y pdfplumber. En los libros de mayor tamaño, especialmente el archivo de 100  
páginas, la diferencia entre librerías se hizo más evidente. Este comportamiento muestra que  
PyMuPDF tiene una arquitectura más optimizada para tareas de lectura y extracción rápida de  
texto, estos resultados hacen que PyMuPdf sea el más adecuado cunado el rendimiento y la  
velocidad de extracción sean la prioridad.  
305  
ANÁLISIS COMPARATIVO DE LIBRERÍAS PYTHON PARA EXTRACCIÓN DE TEXTO DESDE DOCUMENTOS PDF DIGITALES  
Figura 2. Porcentaje promedio de frases válidas por librería.  
Fuente: Elaboración propia.  
El porcentaje promedio de frases válidas es representado en la figura 2, pdfminer.six registró el  
mayor valor de 59.18 %, seguido por PyMuPDF y pypdf de 58.10 %. pdfplumber registró 57.23 %.  
Las diferencias fueron pequeñas, esto sugiere que, las cuatro librerías lograron mantener niveles  
de calidad básica bastante cercanos bajo los criterios automáticos de validación definidos en el  
experimento. Esto sugiere que las diferencias entre herramientas se relacionan más con la forma  
en que procesan y segmentan el contenido del PDF que con una pérdida significativa de  
información textual.  
306  
ANÁLISIS COMPARATIVO DE LIBRERÍAS PYTHON PARA EXTRACCIÓN DE TEXTO DESDE DOCUMENTOS PDF DIGITALES  
Figura 3. Total, de frases extraídas por libro y librería.  
El volumen de frases extraídas se incrementó con el tamaño del documento, así como lo presenta  
la figura 3; pdfminer.six y pdfplumber tendieron a recuperar un número ligeramente mayor de  
frases en comparación con PyMuPDF y pypdf, ese aumento en el volumen textual no  
necesariamente implicó una mejora en el porcentaje de frases válidas extraidas.  
Figura 4. Escalabilidad temporal según número de páginas.  
307  
ANÁLISIS COMPARATIVO DE LIBRERÍAS PYTHON PARA EXTRACCIÓN DE TEXTO DESDE DOCUMENTOS PDF DIGITALES  
La escalabilidad temporal de las librerías según el número de páginas, es representado en la figura  
4. PyMuPDF mantuvo una curva de crecimiento muy baja incluso en el documento de mayor  
tamaño. En cambio, pdfminer.six y pdfplumber elevaron de forma más clara sus tiempos de  
procesamiento conforme crecía el tamaño del documento. Este comportamiento indica que el  
costo computacional de estas librerías es más sensible al tamaño del documento, especialmente  
en archivos con estructuras complejas y gran cantidad de contenido textual.  
Análisis Estadístico  
Se aplicaron pruebas estadísticas paramétricas y no paramétricas a las métricas del experimento,  
para verificar si las diferencias observadas entre las librerías eran realmente significativas y no  
producto de variaciones aleatorias. Se utilizó ANOVA de un factor para comparar las medias  
obtenidas por cada librería, así mismo la prueba de Kruskal–Wallis se la utilizó como alternativa  
no paramétrica por el tamaño reducido de la muestra experimental.  
Como los mismos documentos PDF para el experimento fueron procesados por todas las  
herramientas evaluadas, se empleó un ANOVA bloqueado por documento para verificar el efecto  
que genera el tamaño y la estructura de cada archivo sobre los resultados obtenidos. Este  
enfoque permitió una comparación más consistente entre librerías y reducir la influencia de las  
diferencias propias de cada documento procesado.  
Tabla 3. ANOVA de un factor y prueba de Kruskal-Wallis por métrica.  
Métrica  
Tiempo de extracción  
Total de frases  
Porcentaje de frases válidas  
Porcentaje de duplicados  
ANOVA F  
1.562  
0.0001  
0.0049  
0.0090  
p ANOVA  
0.2497  
1.000  
0.9995  
0.9988  
Kruskal H  
8.890  
0.3288  
0.3550  
1.620  
p Kruskal-Wallis  
0.0308  
0.9545  
0.9494  
0.6549  
Nota: valores p menores a 0.05 se consideran estadísticamente significativos.  
El ANOVA de un factor no reveló significancia estadística en las métricas comparadas.  
Contrariamente, la prueba no paramétrica de Kruskal–Wallis detectó diferencias significativas  
respecto al tiempo de extracción (H = 8.8897; p = 0.0308), hallazgo que se alinea con los patrones  
observados en la Figura 1, particularmente en documentos extensos. No obstante, la  
interpretación requiere precisión: el reducido corpus experimental (limitado número de archivos  
PDF) restringe la capacidad de generalización estadística, siendo esto una limitación inherente al  
diseño muestral empleado.  
Tabla 4. ANOVA bloqueado por documento.  
Métrica  
Tiempo de extracción  
Total de frases  
Porcentaje de frases válidas  
Porcentaje de duplicados  
Logaritmo del tiempo  
F librería  
3.423  
5.179  
0.7778  
8.226  
78.045  
p librería  
0.0660  
0.0237  
0.5353  
0.0060  
0.0000  
F documento  
5.764  
343810.279  
635.690  
3654.029  
51.612  
p documento  
0.0176  
0.0000  
0.0000  
0.0000  
0.0000  
308  
ANÁLISIS COMPARATIVO DE LIBRERÍAS PYTHON PARA EXTRACCIÓN DE TEXTO DESDE DOCUMENTOS PDF DIGITALES  
Nota: el bloqueo por documento controla la variabilidad asociada al tamaño del PDF.  
El modelo ANOVA con bloqueo por documento reveló que la estructura y magnitud de los  
archivos PDF ejercieron una influencia estadísticamente significativa sobre la totalidad de  
métricas evaluadas, confirmando así que el tamaño documental constituyó una variable de  
control relevante. En cuanto a los efectos atribuibles a cada librería, se identificaron diferencias  
significativas tanto en el volumen total de oraciones (p = 0.0237) como en la tasa de duplicación  
textual (p = 0.0060). La métrica temporal sin transformación aproximó, pero no alcanzó el nivel  
de significación convencional (p = 0.0660).  
Al aplicar logaritmos a los tiempos de extracción, el efecto de la herramienta mostró relevancia  
estadística (F = 78.0451; p < 0.001), evidenciando que la diferencia del rendimiento entre librerías  
permanece en un nivel descriptivo.  
Tabla 5. Prueba post hoc de Tukey HSD para logaritmo del tiempo.  
Grupo 1  
Grupo 2  
Diferencia  
media  
3.116  
3.492  
2.268  
0.3757  
-0.8483  
-1.224  
p ajustado  
Límite  
inferior  
0.3672  
0.7429  
-0.4811  
-2.373  
-3.597  
-3.973  
Límite  
superior  
5.865  
6.241  
5.017  
3.125  
1.901  
1.525  
Diferencia  
significativa  
True  
True  
False  
False  
False  
False  
PyMuPDF  
PyMuPDF  
PyMuPDF  
pdfminer.six  
pdfminer.six  
pdfplumber  
pdfminer.six  
pdfplumber  
pypdf  
pdfplumber  
pypdf  
0.0251  
0.0123  
0.1200  
0.9764  
0.7969  
0.5674  
pypdf  
Nota: la transformación logarítmica fue usada para estabilizar la variabilidad del tiempo de extracción.  
La comparación pareada mediante la prueba de Tukey HSD aplicada a la métrica transformada  
logarítmicamente puso en evidencia diferencias estadísticamente robustas: PyMuPDF se  
diferencia de pdfminer.six (p = 0.0251) y de pdfplumber (p = 0.0123). En cambio, la comparación  
entre PyMuPDF y pypdf no alcanzó criterios de significación formal, aunque los valores  
descriptivos favorecen sistemáticamente a PyMuPDF. Con respecto a la comparación entre  
pdfminer.six y pdfplumber, no se detectaron divergencias que alcanzaran el umbral de  
significación estadística. Estos hallazgos respaldan de manera consistente de que la librería  
PyMuPDF es la herramienta con desempeño temporal superior, característica que se mantiene  
independientemente de la extensión de los archivos procesados en el conjunto evaluado.  
DISCUSIÓN  
Cuando se analizan los hallazgos de este trabajo, resulta evidente que no se puede elegir una  
librería de extracción de PDF simplemente mirando cuánto texto recupera. En este experimento,  
las herramientas que extajeron más frases no eran las más veloces ni las que producían menos  
texto duplicado. Esto sugiere algo importante: el rendimiento de cada librería está estrechamente  
vinculado a para qué específicamente la vamos a usar. Si necesitamos extraer masivamente, crear  
un corpus, preservar la estructura o preparar datos para procesamiento posterior de lenguaje  
natural, nuestras prioridades serán completamente distintas.  
309  
ANÁLISIS COMPARATIVO DE LIBRERÍAS PYTHON PARA EXTRACCIÓN DE TEXTO DESDE DOCUMENTOS PDF DIGITALES  
Con respecto a PyMuPDF, los resultados muestran claramente que es mucho más rápida que sus  
competidoras. Lo interesante es que esta superioridad no solo se vio en los números totales, sino  
que el análisis estadístico (especialmente al transformar logarítmicamente los tiempos) lo  
confirmó de manera sólida. ¿A qué se debe tanta velocidad? PyMuPDF funciona como un  
intermediario (wrapper) que accede a MuPDF, una librería escrita en C que está específicamente  
optimizada para leer y procesar PDFs de forma eficiente (5). Esto significa que gran parte del  
trabajo pesado no se realiza en Python, sino en código compilado mucho más rápido. Por eso,  
cuando tienes miles de documentos para procesar, PyMuPDF te ahorra horas de computación.  
Para aplicaciones industriales donde el tiempo importa, esta característica es definitivamente un  
punto a favor.  
Ahora bien, pdfminer.six nos presenta otra historia. Esta librería logró el porcentaje más alto de  
frases válidas, aunque la diferencia con las otras no sea dramática. Lo que vimos es que trabaja  
de forma más minuciosa y cautelosa. Esto tiene sentido si consideramos que está programada  
casi completamente en Python, lo que exige más trabajo de la CPU pero permite un análisis más  
profundo. Mientras PyMuPDF prioriza la velocidad, pdfminer.six se toma su tiempo para entender  
mejor la estructura interna del PDF, analizar posiciones de caracteres, tipografía y otras  
características internas que ayudan a recuperar texto con mayor precisión. Para trabajos  
académicos o cuando hay que construir un corpus lingüístico donde la exactitud inicial del texto  
es más importante que la velocidad, pdfminer.six es una opción que vale la pena considerar.  
En cuanto a pdfplumber, el dato más notable fue su menor tasa de duplicación. Esto  
probablemente está relacionado con su enfoque: fue diseñada específicamente para entender la  
disposición visual y estructural de los documentos, manejando tablas, líneas y bloques de texto  
de forma inteligente (7). La librería se construye encima de pdfminer.six y agrega capas  
adicionales de procesamiento para interpretar mejor cómo está distribuido visualmente el  
contenido. El problema es que toda esa sofisticación tiene un costo: pdfplumber fue la más lenta  
en el experimento. Entonces, si se trabaja con documentos complicados, llenos de tablas o  
formatos visuales complejos, pdfplumber probablemente haga un trabajo mejor. Pero si lo que  
se necesita es la extracción rápidamente de cientos de documentos simples, pdfplumber no es la  
mejor opción.  
Otro resultado que llamó la atención fue cuán importante resultó ser la característica del  
documento en sí. El análisis estadístico de varianza (ANOVA con bloqueo) mostró que el tamaño  
y la forma del PDF cambian significativamente cómo se comportan todas las librerías. Esto nos  
dice algo crucial: no podemos confiar en una comparación hecha con solo uno o dos documentos.  
Los cuatro archivos que usamos en el experimento tenían características que los hacen  
representativos de realidades complejas: tablas intrincadas, contenido que mezclaba shuar y  
español, encabezados que se repetían constantemente, y estructuras tabuladas difíciles de  
procesar. Cada una de estas características afecta de manera diferente a cada herramienta. Por  
eso nuestro diseño incluyó documentos de distintos tamaños.  
Desde la metodología, se considera a este experimento como un trabajo que hace una  
contribución útil, en lugar de simplemente describir los resultados, se usó métricas consistentes,  
se procesó documentos de tamaños variados y se aplicaron pruebas estadísticas rigurosas. Eso  
310  
ANÁLISIS COMPARATIVO DE LIBRERÍAS PYTHON PARA EXTRACCIÓN DE TEXTO DESDE DOCUMENTOS PDF DIGITALES  
permitió pasar de un análisis superficial a una evaluación con fundamento empírico real. Aunque  
el conjunto de documentos es todavía relativamente pequeño, los datos obtenidos abren una  
puerta a futuras investigaciones en digitalización de documentos, extracción de información y  
construcción de corpus para lenguas como el shuar.  
Limitaciones  
El estudio se limitó únicamente a cuatro documentos PDF digitales, lo cual no es una muestra  
significativa, pese a que los documentos fueron seleccionados con diferente extensión, la muestra  
aún no cubre toda la diversidad posible de formatos, estilos de maquetación, tablas, columnas,  
notas al pie o elementos gráficos.  
No se evaluaron documentos escaneados ni se aplicó OCR. Esta decisión fue coherente con el  
objetivo del experimento, pero impide generalizar los resultados a documentos basados en  
imagen.  
La segmentación de frases se realizó utilizando el punto como delimitador. Esta regla favorece la  
homogeneidad experimental, pero puede separar de manera incorrecta oraciones que posean  
abreviaturas, numeraciones o expresiones con puntuación interna.  
La validez de frases se calculó mediante criterios heurísticos de longitud y número de palabras,  
razón por la cual no representa una validación lingüística profunda ni una evaluación semántica  
del contenido.  
Trabajos Futuros  
Como primera línea de trabajo futuro, se propone el incremento del tamaño documental y la  
diversidad del corpus experimental incorporando documentos con mayor número de páginas,  
con estructuras multicolumna, tablas complejas, diagramas y formatos académicos  
heterogéneos. Esto permitiría evaluar con mayor profundidad la escalabilidad de las librerías y  
analizar el comportamiento frente a documentos con estructuras complejas y cargas textuales  
superiores.  
Como segunda línea de investigación, se plantea integrar técnicas de reconocimiento óptico de  
caracteres (OCR) para analizar el desempeño de las librerías sobre documentos PDF escaneados  
o basados en imagen. La incorporación de motores OCR permitiría comparar no solo la capacidad  
de extracción textual, sino también la precisión del reconocimiento de caracteres y el impacto del  
ruido visual en la calidad del texto obtenido.  
CONCLUSIONES  
Este trabajo de investigación demuestra que existen diferencias importantes entre las librerías  
Python utilizadas para la extracción automática de texto desde documentos PDF digitales.  
PyMuPDF presentó el mejor desempeño con respecto al tiempo en todas las ejecuciones  
experimentales, alcanzando tiempos más cortos frente a pdfminer.six, pdfplumber y pypdf. Este  
311  
ANÁLISIS COMPARATIVO DE LIBRERÍAS PYTHON PARA EXTRACCIÓN DE TEXTO DESDE DOCUMENTOS PDF DIGITALES  
comportamiento se confirma mediante el análisis estadístico realizado, particularmente con el  
ANOVA bloqueado y la prueba post hoc de Tukey HSD aplicada sobre el logaritmo del tiempo de  
extracción. Los hallazgos evidencian que PyMuPDF es una alternativa adecuada para escenarios  
donde se requiere extracción masiva de textos, construcción rápida de corpus o sistemas que  
demandan bajo consumo de recursos computacionales.  
En referencia a la calidad de extracción textual, pdfminer.six obtuvo el mayor porcentaje  
promedio de frases válidas, mientras que pdfplumber registró el menor porcentaje de duplicados.  
Estos resultados confirman que la selección de una librería no debe estar basado solo en la  
velocidad de procesamiento, sino también en el equilibrio entre recuperación textual,  
segmentación consistente y reducción de redundancia. El análisis estadístico permitió identificar  
que el tamaño y la estructura del documento influyen significativamente en el comportamiento  
de las librerías, lo que confirma que es necesario evaluar múltiples tipos de PDF antes de  
seleccionar una herramienta para proyectos de procesamiento documental.  
La metodología implementada demostró ser útil para comparar herramientas de extracción de  
texto bajo condiciones homogéneas y reproducibles. La combinación de métricas cuantitativas,  
análisis estadístico y evaluación experimental sobre documentos de diferente tamaño permitió  
generar evidencia objetiva sobre el desempeño de cada librería. Los resultados obtenidos  
constituyen una base relevante para futuras investigaciones orientadas a construcción de corpus  
bilingües, minería de texto, recuperación de información y sistemas basados en inteligencia  
artificial.  
CONTRIBUCIONES DE AUTOR  
Se diseñó y desarrolló la totalidad del experimento comparativo, incluyendo la implementación  
de los algoritmos de extracción textual mediante las librerías PyMuPDF, pdfminer.six, pdfplumber  
y pypdf, así como la definición de las métricas de evaluación, el procesamiento de los documentos  
PDF y el análisis estadístico de los resultados. Con el propósito de garantizar la reproducibilidad y  
transparencia de la investigación, todos los recursos utilizados en el estudio, incluidos los  
notebooks desarrollados, los algoritmos de extracción y los archivos de resultados, permanecen  
disponibles en un repositorio público de GitHub para su validación, reutilización y comparación  
en futuras investigaciones relacionadas con procesamiento documental y construcción de corpus  
textuales (https://github.com/AngelFlores3230/pdf_extract.git).  
REFERENCIAS BIBLIOGRÁFICAS  
1.  
2.  
3.  
Adobe Systems Incorporated. PDF Reference: Adobe Portable Document Format Version  
1.7. 6th ed. San Jose: Adobe Systems; 2006.  
International Organization for Standardization. ISO 32000-2:2020 Document management  
- Portable document format - Part 2: PDF 2.0. Geneva: ISO; 2020.  
Jurafsky D, Martin JH. Speech and Language Processing. 3rd draft ed. Stanford: Stanford  
University; 2024.  
312  
ANÁLISIS COMPARATIVO DE LIBRERÍAS PYTHON PARA EXTRACCIÓN DE TEXTO DESDE DOCUMENTOS PDF DIGITALES  
4.  
Manning CD, Raghavan P, Schutze H. Introduction to Information Retrieval. Cambridge:  
Cambridge University Press; 2008.  
5.  
PyMuPDF Documentation. PyMuPDF: Python bindings for MuPDF. Available from:  
https://pymupdf.readthedocs.io/  
6.  
pdfminer.six Documentation. pdfminer.six: Python PDF parser and analyzer. Available from:  
https://pdfminersix.readthedocs.io/  
7.  
Singer  
https://github.com/jsvine/pdfplumber  
pypdf Documentation. pypdf:  
https://pypdf.readthedocs.io/  
JS.  
pdfplumber  
Documentation.  
Available  
from:  
8.  
A
pure-python PDF  
library. Available  
from:  
9.  
Adhikari N, Agarwal S. A comparative study of PDF parsing tools across diverse document  
categories. arXiv. 2024.  
10.  
11.  
12.  
13.  
14.  
15.  
16.  
17.  
18.  
19.  
20.  
21.  
22.  
Ferguson N, Pennington J, Beghian N, Mohan A, Kiela D, Agrawal S, et al. ExtractBench: A  
benchmark and evaluation methodology for complex structured extraction. arXiv. 2026.  
Lee T, Kim G, Ahn H, Jeong J, Jeong M, Song J. Integrating OCR and LLMs for enhanced  
document digitization in ERP systems. IEEE; 2024.  
Lakatos R, Urban EK, Szabo Z, Pozsga J, Csernai E, Hajdu A. Designing prompts and creating  
cleaned scientific text for retrieval augmented generation. IEEE; 2024.  
Naik YGR, B S, Amith GK. A review on text extraction techniques for degraded historical  
document images. IEEE; 2024.  
Chelliah BJ, Hariharan M, Prakash A, Manoharan B, Senthilselvi A. Harnessing T5 large  
language model for enhanced PDF text comprehension and Q&A generation. IEEE; 2024.  
Yang H, Wei Z, Cheng Z, Zou M, Chen F, Luo W, et al. Research on performance comparison  
of different Python PDF parsing libraries in analyzing protection setting lists. IEEE; 2025.  
Sharmila SP, Tiwari A. PDFInspect: A unified feature extraction framework for malicious  
document detection. IEEE; 2026.  
Böschen I. Evaluation of the extraction of methodological study characteristics with  
JATSdecoder. Scientific Reports. 2023.  
Sasirekha D, Chandra E. Enhanced techniques for PDF image segmentation and text  
extraction. IEEE; 2012.  
Zaryab MA, Ng CR. Optical character recognition for medical records digitization with deep  
learning. IEEE; 2023.  
Bai L, Mulvenna M, Wang Z, Bond R. Clinical entity extraction: comparison between  
MetaMap, cTAKES, CLAMP and Amazon Comprehend Medical. IEEE; 2021.  
Litvak IL, Kostin A, Lashkin F, Maksiyan T, Lagutin S. Comparison of unsupervised metrics for  
evaluating judicial decision extraction. arXiv. 2025.  
Ramadhan G, Mulyana DI, Adrianto S. Optimization of Tesseract OCR for automatic text  
extraction on Indonesian ID cards. Indonesian Journal of Systems Engineering and  
Computer Science. 2025.  
23.  
24.  
Ma Z, Huang F, Zhao L, Guo F, Zhai G, Min X. DocIQ: A benchmark dataset and feature fusion  
network for document image quality assessment. arXiv. 2025.  
Wilhelmi L, Bruns C, Schumann M. Enhancing the extraction of GHG emission-reduction  
targets from sustainability reports using vision language models. MAKE. 2026.  
313