PyMuPDF4LLM vs pdfplumber vs Marker, testados em PDFs reais

PyMuPDF4LLM vs pdfplumber vs Marker: o veredito

Nenhuma biblioteca venceu todos os testes. O resto do artigo mostra os números por trás de cada linha, para você decidir entre pymupdf4llm vs pdfplumber vs marker com os PDFs que você realmente tem.

Como testamos: hardware, versões e documentos

Para uma comparação justa, cada biblioteca recebeu os mesmos arquivos na mesma máquina. Todas as execuções foram pura análise de PDF em CPU: Intel(R) Xeon(R) Processor, 8 vCPU, 16 GB de RAM, sem GPU, Linux 6.12.94+ x86_64, Python 3.13.5. Versões: pymupdf4llm 1.28.2 (PyMuPDF 1.28.2), pdfplumber 0.11.9 (pdfminer.six 20251230), marker-pdf 2.0.0 (surya-ocr 0.22.1, torch 2.14.1+cpu). Contamos os tokens com tiktoken 0.14.0 e a codificação o200k_base. O teste foi feito em 19 de outubro de 2026.

• Documentos: um guia em inglês de 5 páginas com 13 títulos e uma tabela; um relatório em chinês de 11 páginas com 29 títulos e 4 tabelas; um relatório em inglês de 4 páginas com cabeçalho e número de página repetidos em todas as páginas.
• Exemplos de tabelas: 11 PDFs de uma página cujas tabelas corretas conhecemos célula por célula, dois deles sem nenhuma tabela.
• Configuração: os padrões de cada biblioteca. pdfplumber não tem saída em Markdown, então escrevemos umas vinte linhas que colocam as linhas de texto e os resultados de find_tables() na ordem de leitura. marker rodou uma vez com a configuração padrão (modo rápido, o padrão em CPU) e outra com --disable_ocr.
• Tempo: a mediana de três execuções. Os modelos do marker foram carregados uma vez antes (4,79 segundos) e uma execução de aquecimento foi descartada.

import pymupdf4llm
md = pymupdf4llm.to_markdown("report.pdf")

import pdfplumber
with pdfplumber.open("report.pdf") as pdf:
    for page in pdf.pages:
        lines = page.extract_text_lines()
        tables = page.find_tables()

from marker.converters.pdf import PdfConverter
from marker.models import create_model_dict
from marker.output import text_from_rendered
converter = PdfConverter(artifact_dict=create_model_dict())
md, _, _ = text_from_rendered(converter("report.pdf"))

Em CPU, o marker 2.0 também precisa de um binário llama-server do llama.cpp, instalado à parte conforme o README, e na primeira execução baixou cerca de 1,8 GB de arquivos de modelo na nossa máquina. As duas primeiras tentativas falharam: uma por versões incompatíveis de torch e torchvision, outra porque faltava o llama-server. Foram problemas de instalação, não bugs da biblioteca, mas reserve um tempo para isso.

Velocidade e número de tokens

É na velocidade que pymupdf4llm vs pdfplumber vs marker mais se diferenciam. pdfplumber foi o mais rápido no relatório curto (0,023 s), mas o mais lento das ferramentas leves no relatório em chinês. pymupdf4llm se manteve estável, entre 0,1 e 0,14 segundo por página. marker foi 5 vezes mais lento que pymupdf4llm no guia em inglês, mesmo com os modelos já carregados; com --disable_ocr, a diferença diminuiu.

Os tokens das duas bibliotecas leves ficaram próximos. marker gerou cerca de 12% mais tokens no relatório em chinês, em parte por tags <sup> e espaços a mais, e menos no relatório curto, porque removeu os cabeçalhos repetidos.

Títulos e sobras da página

Os títulos são a segunda grande diferença. pymupdf4llm encontrou todos os títulos no nível certo. Também marcou como títulos as perguntas de FAQ em negrito do guia (6 linhas), o que pode ser útil. pdfplumber não conhece títulos: você recebe texto corrido. marker achou a maioria dos títulos, mas muitas vezes no nível errado.

No relatório de 4 páginas, pymupdf4llm e pdfplumber mantiveram as 4 cópias do cabeçalho repetido e os 4 números de página; marker removeu os dois. É o caso mais claro de pymupdf4llm vs marker: o modelo de layout do marker sabe o que é um cabeçalho, as bibliotecas leves não. pdfplumber também deixou uma palavra hifenizada no fim de uma linha.

Tabelas: com bordas, sem bordas e mescladas

Nas tabelas, a classificação depende de o PDF ter linhas desenhadas. As tabelas do pdfplumber saem exatas quando o PDF desenha a grade, inclusive com células mescladas, porque find_tables() segue os traços. Sem traços, ele não achou nada. pymupdf4llm foi exato na maioria das tabelas com bordas, mas quebrou uma tabela do Office em que uma célula tinha um | sem escape. marker achou os dois exemplos simples sem bordas com 83 a 90% das células, enquanto pymupdf4llm achou um com 40% e pdfplumber nenhum; no exemplo de células mescladas, porém, marker juntou colunas.

Nenhuma biblioteca detectou a tabela sem bordas de uma exportação do Office. Se tabelas são sua prioridade, nosso guia de tabelas em PDF explica por que layouts sem bordas são difíceis para qualquer ferramenta.

Texto em chinês: cobertura, espaços e pontuação

O texto em chinês embaralha a ordem de novo. O PDF de origem não tem espaços dentro das frases. pymupdf4llm manteve todos os caracteres e todas as vírgulas de largura total, mas inseriu 159 espaços dentro de frases. pdfplumber também manteve os caracteres, mas deixou 140 quebras de linha no meio de frases. marker perdeu 1,4% dos caracteres, incluindo alguns títulos de seção, trocou cada vírgula de largura total por uma vírgula ASCII e acrescentou 152 tags <sup>. Em PDFs em chinês, a saída do marker foi a que mais exigiu correções nos nossos testes.

Licenças: AGPL vs MIT vs Apache, mais os termos dos modelos

• pdfplumber: MIT, segundo o arquivo LICENSE. Você pode usá-lo em código proprietário e comercial, desde que mantenha o aviso de licença.
• pymupdf4llm e PyMuPDF: os repositórios trazem a GNU AGPL 3.0 e os metadados do pacote dizem "Dual Licensed - GNU AFFERO GPL 3.0 or Artifex Commercial License". Resumindo: se você distribuir um programa que depende deles, ou disponibilizar uma versão modificada para usuários pela rede, a AGPL espera que você compartilhe o código-fonte desse programa sob a mesma licença, a menos que compre uma licença comercial da Artifex.
• marker: o código é Apache-2.0, mas os pesos dos modelos usam uma licença AI Pubs Open RAIL-M modificada. Segundo o MODEL_LICENSE, os pesos são gratuitos para pesquisa, uso pessoal e organizações com menos de US$ 5 milhões de receita bruta ou investimento; acima disso, é preciso uma licença da Datalab.

Se a licença decide por você, AGPL vs MIT é a escolha real entre as duas bibliotecas leves para a maioria das equipes comerciais, e o marker acrescenta um limite de receita. Isto é um resumo, não aconselhamento jurídico; leia os arquivos de licença antes de lançar qualquer coisa.