EUVIMEDEUVIMED entdecken
Crossref

ANÁLISIS COMPARATIVO DE LIBRERÍAS PYTHON PARA EXTRACCIÓN DE TEXTO DESDE DOCUMENTOS PDF DIGITALES

Angel Flores-Orozco, Omar Bravo-Quezada, Diana Gómez-García

Revista Científica Multidisciplinaria InvestiGo · 09.07.2026 · 7 (20) · 299-313

DOI: 10.56519/jw1x1e61 ↗

Kurz gefasst

Fachartikel in der Zeitschrift Revista Científica Multidisciplinaria InvestiGo, online erschienen am 09.07.2026. Verfasst von Angel Flores-Orozco und 2 weiteren Autor:innen.

AbstractBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

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.

Zitieren

APA

Flores-Orozco, A., Bravo-Quezada, O., & Gómez-García, D. (2026). ANÁLISIS COMPARATIVO DE LIBRERÍAS PYTHON PARA EXTRACCIÓN DE TEXTO DESDE DOCUMENTOS PDF DIGITALES. Revista Científica Multidisciplinaria InvestiGo, 7(20), 299-313. https://doi.org/10.56519/jw1x1e61

Vancouver

Flores-Orozco A, Bravo-Quezada O, Gómez-García D. ANÁLISIS COMPARATIVO DE LIBRERÍAS PYTHON PARA EXTRACCIÓN DE TEXTO DESDE DOCUMENTOS PDF DIGITALES. Revista Científica Multidisciplinaria InvestiGo. 2026;7(20):299-313. doi:10.56519/jw1x1e61

BibTeX
@article{FloresOrozco2026,
  author = {Flores-Orozco, Angel and Bravo-Quezada, Omar and Gómez-García, Diana},
  title = {ANÁLISIS COMPARATIVO DE LIBRERÍAS PYTHON PARA EXTRACCIÓN DE TEXTO DESDE DOCUMENTOS PDF DIGITALES},
  journal = {Revista Científica Multidisciplinaria InvestiGo},
  year = {2026},
  volume = {7},
  number = {20},
  pages = {299--313},
  doi = {10.56519/jw1x1e61}
}
Kostenlos starten →