Chandra OCR效果实测：PDF转HTML保留标题层级与图像坐标信息

Chandra OCR效果实测：PDF转HTML保留标题层级与图像坐标信息

1. 为什么这次OCR实测值得你花5分钟看完

你有没有遇到过这样的场景：手头有一堆扫描版PDF合同、数学试卷、带表格的财务报表，或者一页页带公式的科研论文，想把它们变成可搜索、可编辑、能进知识库的结构化内容？试过传统OCR工具，结果标题变普通段落、表格错位成乱码、公式直接消失、图片位置信息全丢——最后还得人工重排。

Chandra不是又一个“识别文字就完事”的OCR。它专为真实文档而生：一张扫描件扔进去，出来的不只是文字，而是带完整标题层级的HTML、带坐标信息的图像标记、带行列结构的表格、带语义标签的数学公式。更关键的是，它真能在你的RTX 3060上跑起来，4GB显存够用，不用租云GPU，不需调参，装完就能批量处理整个文件夹。

这不是概念演示，是我在本地实测27份不同来源PDF（含1980年代油印试卷、双栏学术论文、带复选框的医疗表单、手写批注合同）后整理的真实结论。下面不讲架构图和训练细节，只说三件事：它到底能保留什么、怎么用最省事、哪些地方会让你眼前一亮。

2. 开箱即用：两行命令启动本地Chandra服务

2.1 环境准备：比装Python包还简单

Chandra设计时就把“开箱即用”刻进了基因。它不依赖CUDA版本对齐、不强制要求特定PyTorch编译方式，甚至对vLLM的集成做了深度简化。我用一台搭载RTX 3060（12GB显存）、Ubuntu 22.04、Python 3.10的笔记本完成全部测试，过程如下：

# 第一步：创建干净环境（推荐，非必须） python -m venv chandra_env source chandra_env/bin/activate # 第二步：一行安装（自动处理vLLM+torch+cudnn依赖） pip install chandra-ocr # 第三步：启动交互式Web界面（默认http://localhost:7860） chandra-ui

没有报错，没有手动编译，没有nvcc找不到警告。安装耗时约2分17秒（国内镜像源），启动Web界面后，浏览器打开即见清晰上传区、参数滑块和实时预览窗。

注意：别被“vLLM”吓住
这里vLLM不是让你自己搭推理服务——Chandra已将其封装为后端引擎。你只需知道：它让单页PDF（含复杂布局）平均1秒内完成解析，且支持多页并发；而如果你用CPU模式（chandra-cli --cpu），同一页面会升至12秒，但结果完全一致。对个人用户，vLLM是“自动加速”，不是“额外配置”。

2.2 两种调用方式：CLI适合批量，UI适合调试

• CLI命令行（推荐日常批量处理）

  # 将整个PDF目录转为HTML，保留标题层级与图像坐标 chandra-cli \ --input-dir ./scanned_contracts/ \ --output-dir ./html_output/ \ --format html \ --preserve-layout true \ --include-image-coords true

  输出的HTML中，每个<h1>到<h6>标签都严格对应原文档标题级别；所有图片包裹在<figure>中，并附带data-x,data-y,data-width,data-height属性，单位为像素，原点在左上角——这意味着你可以直接用CSS精确定位，或导入RAG系统做图文联合检索。

• Streamlit UI（推荐首次体验与效果验证）
  界面极简：左侧拖入PDF，右侧实时显示HTML渲染效果。顶部有三个关键开关：

  • “保留标题层级”：开启后，自动识别第1章、1.1节、● 重点提示等文本并转为对应HTML标题；
  • “输出图像坐标”：开启后，在HTML源码中可见<img src="..."><figure class="document-image"> <img src="sign_001.png" >