手把手教你用Chandra OCR批量处理扫描文档

手把手教你用Chandra OCR批量处理扫描文档

Chandra不是又一个“识别文字就完事”的OCR工具。它专为真实世界里的扫描文档而生——那些歪斜的合同、泛黄的试卷、带手写批注的PDF、嵌套表格的财务报表，甚至还有公式和复选框。你上传一张图或一个PDF，它返回的不是乱糟糟的纯文本，而是结构完整、层级清晰、可直接进知识库或排版发布的Markdown文件。更关键的是：RTX 3060显卡就能跑，不用等云服务，不传数据到外网，整个流程在你本地完成。

这篇文章不讲原理、不堆参数，只做一件事：带你从零开始，把一整个文件夹里几十份扫描件，一键变成干净可用的Markdown文档。每一步都有命令、有截图逻辑、有避坑提示，连vLLM环境怎么装、为什么必须两张卡都给你说清楚。

1. 为什么这次OCR体验完全不同

先说结论：Chandra解决的不是“能不能识字”，而是“识完之后能不能直接用”。

传统OCR输出像这样：

合同编号：HT2024001甲方：北京某某科技有限公司乙方：上海某某咨询有限公司第一条 服务内容...

而Chandra输出是这样（节选）：

# 合同编号：HT2024001 ## 甲方 北京某某科技有限公司 ## 乙方 上海某某咨询有限公司 ### 第一条 服务内容 1. 甲方委托乙方提供以下技术服务： - 系统架构设计 - 核心模块开发 - 上线部署支持 2. 交付物包括： | 交付项 | 格式 | 截止日期 | |--------|------|----------| | 技术方案书 | PDF | 2024-03-15 | | 源代码包 | ZIP | 2024-04-30 |

这背后是三个关键能力的叠加：

• 布局感知：它知道哪段是标题、哪块是表格、哪个框是手写签名，不是按阅读顺序硬拼；
• 语义理解：能区分“第1条”和“1.”是不同层级的编号，能把“（签字）”自动识别为签名区而非正文；
• 多模态输出：同一份输入，同时生成Markdown（适合RAG）、HTML（适合网页展示）、JSON（适合程序解析），不用再自己写转换脚本。

所以如果你正面临这些场景，Chandra就是为你准备的：

• 法务团队要把历史合同归档进知识库，需要保留条款结构和表格；
• 教研组要数字化历年数学试卷，公式和手写解题步骤一个都不能丢；
• 财务部门每天收几十张带表格的报销单，想自动提取金额和项目；
• 初创公司没预算买商业OCR，但又不能接受开源工具识别后还要人工调格式。

2. 环境准备：4GB显存起步，但注意这个硬性条件

Chandra镜像基于vLLM推理后端，性能强、吞吐高，但对硬件有个明确要求：必须至少两张GPU卡。这不是为了“更好”，而是vLLM在当前版本中对Chandra模型的分片加载机制决定的——单卡会报CUDA out of memory并直接退出，哪怕你的卡有12GB显存。

别急着翻箱倒柜找第二张卡，我们有实测可行的方案：

2.1 推荐配置（兼顾速度与可行性）

• 最低可行：RTX 3060 ×2（每张12GB）或 RTX 4090 ×2
• 性价比之选：A10 ×2（每张24GB，数据中心常见，二手价格友好）
• 开发调试：RTX 3090 ×2（单卡24GB，稳定性好）

小贴士：不要用笔记本独显+核显组合。vLLM只认独立GPU，且两张卡必须同型号、同驱动版本，否则会卡在初始化阶段。

2.2 安装步骤（三行命令搞定）

打开终端，逐行执行（无需conda，纯pip）：

# 1. 安装核心依赖（vLLM已预置，只需确认CUDA版本） nvidia-smi # 查看CUDA版本，确保是11.8或12.1 # 2. 一行安装Chandra CLI工具（含Streamlit界面和批量处理能力） pip install chandra-ocr --upgrade # 3. 验证安装（不启动服务，只检查环境） chandra-ocr --version # 输出类似：chandra-ocr 0.3.2 (vLLM backend: 0.6.3)

如果第3步报错command not found，说明PATH未更新，运行：

export PATH="$HOME/.local/bin:$PATH" source ~/.bashrc # 或 ~/.zshrc

2.3 为什么不用Docker？我们试过了

官方提供了Docker镜像，但实测发现两个问题：

• 首次拉取超大（4.2GB），国内源经常中断；
• GPU设备映射复杂，--gpus all在多卡环境下常只识别到1张。

所以本文全程采用原生pip安装+本地CLI调用，更轻量、更可控、出问题更容易定位。

3. 批量处理实战：从文件夹到Markdown文件夹

假设你有一个叫scanned_contracts/的文件夹，里面放了27个PDF扫描件，目标是：每个PDF生成一个同名的.md文件，全部放在output_md/目录下。

3.1 基础命令：一次处理一个文件

先试单个，确认流程通顺：

chandra-ocr \ --input "scanned_contracts/HT2024001.pdf" \ --output "output_md/HT2024001.md" \ --format markdown \ --layout-aware

参数说明：

• --input：输入路径，支持.png,.jpg,.pdf
• --output：输出路径，扩展名决定格式（.md/.html/.json）
• --format markdown：显式指定输出格式（即使扩展名是.md，也建议加上）
• --layout-aware：强制启用布局分析（默认开启，但显式写上更稳妥）

成功时你会看到类似输出：

[INFO] Loading model on GPU: cuda:0, cuda:1 [INFO] Processing HT2024001.pdf (12 pages)... [INFO] Page 1/12 → 0.82s [INFO] Page 2/12 → 0.79s ... [INFO] Saved to output_md/HT2024001.md (32.4 KB)

3.2 批量处理：一行命令扫光整个文件夹

这才是重点。Chandra CLI原生支持通配符，无需写Shell脚本：

# 创建输出目录（避免报错） mkdir -p output_md # 批量处理所有PDF，生成同名MD文件 chandra-ocr \ --input "scanned_contracts/*.pdf" \ --output "output_md/" \ --format markdown \ --layout-aware \ --workers 4

关键参数：

• --workers 4：开4个进程并发处理（根据CPU核心数调整，一般设为CPU逻辑核心数的一半）
• --input "scanned_contracts/*.pdf"：注意引号！防止shell提前展开通配符
• --output "output_md/"：结尾加/表示这是目录，工具会自动按输入文件名生成对应输出名

注意：如果输入包含中文路径或文件名，确保终端编码为UTF-8（Linux/macOS默认满足；Windows需在CMD中执行chcp 65001）。

3.3 处理失败怎么办？看日志，不猜

批量处理时总有几个文件会失败（比如扫描太糊、页数超限、PDF损坏）。Chandra会跳过它们并继续，但会在终端末尾汇总：

[ERROR] Failed to process scanned_contracts/HT2023099.pdf: Page count exceeds 50 [ERROR] Failed to process scanned_contracts/blank_scan.pdf: Image too dark [INFO] Successfully processed 25/27 files

这时去output_md/目录下检查，你会发现：

• 成功的25个文件都在；
• 失败的2个没生成任何输出；
• 你可以单独重试那2个：

  chandra-ocr --input "scanned_contracts/HT2023099.pdf" --output "output_md/HT2023099.md" --max-pages 50

进阶技巧：加--verbose参数能看到每一步的详细耗时和内存占用，排查卡顿原因。

4. 效果优化：让输出更贴近你的需求

Chandra默认输出已经很准，但针对不同文档类型，微调几个参数能让结果更“省心”。

4.1 扫描质量差？用预处理开关

老扫描件常有阴影、噪点、倾斜。Chandra内置了轻量级图像增强，无需额外工具：

chandra-ocr \ --input "scanned_contracts/dark_scans.pdf" \ --output "output_md/dark_scans.md" \ --enhance-contrast \ --deskew \ --denoise

效果对比：

• --enhance-contrast：自动提亮暗部，不损失细节；
• --deskew：纠正±5°以内的页面倾斜（比OpenCV更稳，不破坏表格线）；
• --denoise：滤除高频噪点，对复印机扫描件特别有效。

4.2 表格太多？强制表格优先模式

财务报表类文档，表格识别准确率比正文还关键。启用--table-first模式：

chandra-ocr \ --input "financial_report.pdf" \ --output "financial_report.md" \ --table-first \ --max-table-cells 5000

• --table-first：模型先专注识别所有表格区域，再处理正文，避免表格被切碎；
• --max-table-cells 5000：放宽单元格数量限制（默认3000），应对超大合并表。

4.3 中文文档？语言指定不是必须，但推荐

Chandra对中英混合支持极好，但显式指定可提升小字号中文识别率：

chandra-ocr \ --input "exam_paper.pdf" \ --output "exam_paper.md" \ --language zh \ --font-size-threshold 8

• --language zh：告诉模型优先加载中文字符集和笔画特征；
• --font-size-threshold 8：把小于8pt的字也纳入识别（试卷常有小字号题干）。

5. 超实用技巧：不只是转文字，还能做这些

Chandra的CLI不止于“输入→输出”，它提供了几个隐藏但高频的实用功能。

5.1 快速预览：不保存文件，先看效果

处理前想确认识别质量？用--dry-run：

chandra-ocr \ --input "scanned_contracts/sample.pdf" \ --dry-run \ --show-layout

• --dry-run：不写入磁盘，只打印识别结果摘要；
• --show-layout：在终端用ASCII字符模拟页面布局（标题居中、表格对齐），一眼看出结构是否错乱。

5.2 提取特定内容：跳过全文，直取关键字段

比如你只想从合同里抽“甲方”“乙方”“签约日期”，不用自己写正则：

chandra-ocr \ --input "contract.pdf" \ --extract "甲方|乙方|签约日期" \ --output "contract_entities.json"

输出是标准JSON：

{ "甲方": ["北京某某科技有限公司"], "乙方": ["上海某某咨询有限公司"], "签约日期": ["2024年3月15日"] }

5.3 和RAG工作流无缝衔接

输出的Markdown天然适配主流RAG框架。以LlamaIndex为例：

from llama_index.core import SimpleDirectoryReader from llama_index.core.node_parser import MarkdownNodeParser # 直接读取Chandra输出的整个文件夹 documents = SimpleDirectoryReader("output_md/").load_data() parser = MarkdownNodeParser() nodes = parser.get_nodes_from_documents(documents) # 此时nodes已按标题、表格、段落自动切分，可直接存入向量库

不需要任何清洗脚本，Chandra输出即RAG-ready。

6. 总结：你真正得到了什么

回看开头的问题：如何批量处理扫描文档？现在答案很清晰——

• 不是“又一个OCR”，而是一个文档理解流水线：从图像/PDF输入，到结构化Markdown输出，再到RAG或排版使用，中间没有断点；
• 不是“实验室玩具”，而是工程级工具：支持多卡并发、失败自动跳过、中文小字强化、表格优先模式，每一项都来自真实业务反馈；
• 不是“配置地狱”，而是开箱即用：pip install后，一条命令处理整个文件夹，连路径里的空格和中文都不用转义。

你不需要成为OCR专家，也不用调参。只要记住这三件事：

1. 确保两张同型号GPU；
2. 输入路径加引号，输出路径结尾加/；
3. 表格多就加--table-first，扫描暗就加--enhance-contrast。

剩下的，交给Chandra。

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。