Afgebakende vergelijking uitgevoerd op 1 november 2026
Twee PDF-extractieroutes, dezelfde drie oefendocumenten
Docling NativePdfPipeline en directe pypdfium2-extractie op tekst, twee kolommen en een beeld zonder tekstlaag. Geen OCR of taalmodel.
Vooraf vastgelegde controle
De herhaalcode maakt drie synthetische PDF-bestanden van één pagina. Voor tekst en twee kolommen worden twee vaste markeringen verwacht. Het derde bestand bevat alleen een rasterbeeld: zonder OCR worden daar nul markeringen verwacht. De verwachtingen staan vóór de extractie in de code.
Getest met Python 3.12.14 op Darwin arm64. Directe versies: Docling 2.145.0, pypdfium2 5.14.0 en ReportLab 5.1.0. Beide routes gebruiken de PDFium-familie; dit is geen vergelijking van onafhankelijke extractie-engines.
Gemeten uitkomst
| Fixture | Docling: markeringen | Direct pypdfium2: markeringen | Verwachting |
|---|---|---|---|
| Tekstlaag | 2 van 2 | 2 van 2 | 2 aanwezig |
| Twee kolommen | 2 van 2 | 2 van 2 | 2 aanwezig |
| Beeld zonder tekstlaag | 0 van 2 | 0 van 2 | 0 aanwezig zonder OCR |
Alle zes controles voldoen aan de vooraf vastgelegde verwachting. Dat de beeldfixture geen tekst oplevert is de aangetoonde beperking. De controles bewijzen geen leesvolgorde, tabelstructuur, inhoudelijk begrip of OCR-kwaliteit. Er is geen kwaliteitswinnaar vastgesteld.
Er zijn nul modelprovider-aanroepen gedaan en nul euro providerkosten gemaakt. Totale kosten, inclusief ontwikkeltijd, hardware en energie, zijn niet gemeten. Netwerkverkeer, snelheid en productiecapaciteit zijn niet gemeten.
Bronnen, uitvoer en herhaalcode
- Resultaten, verwachtingen, versies en hashes (JSON) ↗
- PDF-bestanden, uitvoer en code (ZIP) ↗
- Docling-documentatie ↗
- pypdfium2 API-documentatie ↗
De herhaalset bevat eigen synthetische fixtures en geen klantdata of credentials. Directe versies zijn vastgelegd; transitieve afhankelijkheden en een ander platform kunnen latere uitkomsten beïnvloeden. Controleer uitvoer en bronbestanden zelf. Dit is geen algemene leveranciersbenchmark.