Chandra开源OCR保姆级教程：支持表格/公式/手写，输出HTML+JSON-洪萨配资

Chandra开源OCR保姆级教程：支持表格/公式/手写，输出HTML+JSON

1. 为什么你需要Chandra——不是所有OCR都叫“布局感知”

你有没有遇到过这样的场景：

扫描的数学试卷里有大量手写批注和LaTeX公式，传统OCR要么漏掉公式，要么把上下标全打乱；
一份PDF合同里嵌着三栏排版+复选框+表格，导出后文字堆成一团，根本没法直接进知识库；
用GPT-4o或Gemini Flash识别一页带公式的论文，结果公式被转成乱码文字，表格变成错行文本。

Chandra不是又一个“把图片变文字”的OCR。它是2025年10月由Datalab.to开源的布局感知OCR模型——名字里的“Chandra”（梵语意为“明亮、清晰”）恰如其分：它不只认字，更懂页面结构。

一句话说清它的不可替代性：

它能把一张扫描图/PDF，原样还原成带层级、带坐标、带语义的HTML+JSON+Markdown三件套，表格不散、公式不崩、手写不丢、复选框可交互。

官方在olmOCR基准测试中拿下83.1综合分（±0.9），什么概念？比GPT-4o和Gemini Flash 2都高。更关键的是细分项：

表格识别：88.0分（第一）
老扫描数学题：80.3分（第一）
长段小字号印刷体：92.3分（第一）

这意味着——你不用再手动调整表格边框、不用重敲公式、不用猜手写批注在哪一栏。它输出的不是“文字流”，而是可直接用于RAG构建、网页渲染、文档比对的结构化数据。

而且它真能跑在消费级显卡上：RTX 3060（12GB）、RTX 4070（12GB）、甚至RTX 3090（24GB）都能稳稳撑住。4GB显存？也能跑，只是单页处理时间从1秒拉到3秒左右，但功能完整不打折。

2. 本地安装与开箱即用：pip一条命令，三分钟启动

Chandra的设计哲学是“零配置优先”。它不强迫你装CUDA、编译依赖、调参优化。你只需要一台装好Python 3.9+和NVIDIA驱动的Linux或Windows机器（WSL2推荐），就能完成全部部署。

2.1 基础环境准备（5分钟搞定）

先确认你的GPU可用：

nvidia-smi # 应看到驱动版本 ≥535，CUDA Version ≥12.1

然后创建干净虚拟环境（推荐）：

python -m venv chandra-env source chandra-env/bin/activate # Linux/macOS # chandra-env\Scripts\activate # Windows

2.2 一键安装chandra-ocr（核心步骤）

执行这一条命令：

pip install chandra-ocr

它会自动安装：

chandra-ocr主包（含CLI工具、Streamlit前端、默认推理后端）
transformers、torch、Pillow等基础依赖
兼容CUDA 12.x的PyTorch（若检测到NVIDIA GPU）
自带轻量级推理引擎（基于ONNX Runtime优化，无需vLLM）

安装完成后，立刻验证：

chandra --version # 输出类似：chandra-ocr 0.3.2 (layout-aware OCR)

2.3 三种使用方式，任选其一

方式一：命令行快速处理（适合批量）

# 处理单张图片，输出同名.md/.html/.json chandra input.jpg # 批量处理整个文件夹（支持jpg/png/pdf） chandra ./scans/ --output ./output/ # 指定输出格式（默认三者全出） chandra doc.pdf --format html,json

方式二：Streamlit交互界面（适合调试与预览）

chandra-ui # 自动打开 http://localhost:8501 # 拖入图片/PDF → 点击“Run” → 实时查看渲染效果+结构树+坐标框

方式三：Docker镜像（适合生产部署）

docker run -p 8501:8501 -v $(pwd)/data:/app/data \ ghcr.io/datalab-to/chandra-ocr:latest

注：Docker镜像已预装vLLM后端，支持多GPU并行，单页8k token平均耗时1秒（A100×2实测）

2.4 关于vLLM后端：不是必须，但强烈建议升级

上面提到的“基础安装”用的是内置ONNX引擎，够用但非最强。如果你有2张及以上GPU，想压榨极限性能，可以手动启用vLLM：

# 卸载旧版（可选） pip uninstall chandra-ocr # 安装vLLM增强版 pip install chandra-ocr[vllm] # 启动vLLM服务（需先启动vLLM server） vllm-server --model datalab-to/chandra-ocr-base --tensor-parallel-size 2

然后CLI自动切换至vLLM后端：

chandra test.pdf --backend vllm

注意：“两张卡，一张卡起不来”是真实限制——vLLM模式下，Chandra的ViT-Encoder需跨GPU切分，单卡会报OOM。但普通ONNX模式完全无此限制，RTX 3060单卡即可流畅运行。

3. 实战演示：从扫描试卷到可编辑HTML，一步到位

我们用一张真实的高中数学试卷扫描件（含手写解题、LaTeX公式、三栏排版、表格评分栏）来走一遍全流程。

3.1 输入文件准备

假设你有一张名为math_exam_scan.jpg的图片，尺寸2480×3508（A4扫描分辨率300dpi），包含：

顶部标题“2025年高三数学模拟卷”
中间三栏排版的填空题与解答题
右下角手写批注“步骤完整，+2分”
第二题旁嵌入LaTeX公式：$$\int_0^{\pi} \sin x , dx = 2$$
末尾表格：题号｜得分｜评语（三列）

3.2 执行识别命令

chandra math_exam_scan.jpg --output ./result/

几秒后，生成三个文件：

math_exam_scan.md
math_exam_scan.html
math_exam_scan.json

3.3 查看HTML输出：所见即所得的排版还原

打开math_exam_scan.html，你会看到：

标题<h1>2025年高三数学模拟卷</h1>自动识别为一级标题

三栏内容被包裹在

<div class="column">{ "pages": [ { "page_num": 0, "width": 2480, "height": 3508, "blocks": [ { "type": "title", "text": "2025年高三数学模拟卷", "bbox": [50, 30, 1200, 120], "level": 1 }, { "type": "formula", "latex": "\\int_0^{\\pi} \\sin x \\, dx = 2", "bbox": [1320, 1450, 1890, 1520], "confidence": 0.96 }, { "type": "table", "rows": 4, "cols": 3, "cells": [ {"row": 0, "col": 0, "text": "题号", "bbox": [400, 2800, 520, 2840]}, {"row": 0, "col": 1, "text": "得分", "bbox": [520, 2800, 640, 2840]}, {"row": 1, "col": 0, "text": "第2题", "bbox": [400, 2840, 520, 2880]}, {"row": 1, "col": 1, "text": "6", "bbox": [520, 2840, 560, 2880]}, {"row": 1, "col": 2, "text": "步骤完整", "bbox": [560, 2840, 720, 2880]} ] } ] } ] }

这个JSON可以直接喂给：

RAG系统（按bbox做区域检索，避免整页语义漂移）
自动化评分脚本（提取type: "formula"+confidence > 0.9校验公式正确性）
文档比对工具（对比两份JSON的blocks结构差异）

3.5 Markdown输出：工程师最爱的轻量格式

math_exam_scan.md更简洁：

# 2025年高三数学模拟卷 ## 第二题 求下列定积分的值： $$\int_0^{\pi} \sin x \, dx = 2$$ > **手写批注**：步骤完整，+2分 | 题号 | 得分 | 评语 | |------|------|----------| | 第2题 | 6 | 步骤完整 | | 第5题 | 4 | 计算有误 |

注意：所有公式、表格、引用块都符合标准Markdown语法，可直接粘贴进Obsidian、Typora、Notion等工具。

4. 进阶技巧与避坑指南：让Chandra真正为你所用

Chandra开箱即用，但要发挥最大价值，这几点经验值得记牢：

4.1 输入质量决定上限：三类文件怎么预处理？

文件类型	推荐预处理	原因说明
老扫描PDF（模糊/倾斜）	用`pdf2image`转PNG +`opencv`做透视矫正	Chandra对倾斜容忍度约±5°，超限会导致表格列错位
手机拍摄文档（阴影/反光）	用`unpaper`去阴影 +`img2pdf`转单页PDF	直接传JPG易受光照干扰，PDF封装更稳定
多页PDF（合同/报告）	`pdftk`拆分单页 + 并行处理	Chandra单次只处理一页，多页需外部调度

示例：自动清理手机拍的合同

# 安装工具 sudo apt install unpaper pdftk # 清理并转单页PDF unpaper input.pdf cleaned.pdf pdftk cleaned.pdf burst output page_%03d.pdf # 并行识别（4核） find . -name "page_*.pdf" | xargs -P 4 -I {} chandra {}

4.2 输出定制：如何只取你需要的部分？

默认三格式全出，但常有精简需求：

只要HTML（嵌入网页）：chandra doc.pdf --format html --no-md --no-json
只要JSON（供程序解析）：chandra doc.pdf --format json --no-md --no-html
自定义HTML模板：新建my_template.html，用{{title}}{{blocks}}占位，再执行：
```
chandra doc.pdf --template my_template.html
```

4.3 中文场景特别提示

Chandra对中文支持极佳，但仍有两点注意：

字体缺失问题：HTML中中文显示为方块？在HTML头部加：

<style>body { font-family: "Noto Sans CJK SC", "Microsoft YaHei", sans-serif; }</style>

手写体识别增强：添加--handwriting-threshold 0.7（默认0.5），提升手写召回率（代价是少量误识印刷体）

4.4 性能调优：平衡速度与精度

场景	推荐参数	效果
快速预览（草稿）	`--max-tokens 2048 --batch-size 1`	速度↑40%，精度↓2%
精确合同（法律文书）	`--max-tokens 8192 --batch-size 4 --reprocess`	多遍校验，表格精度↑5%
显存紧张（<8GB）	`--quantize int4`	模型体积↓60%，速度↑25%，精度↓1.2%

5. 总结：Chandra不是OCR工具，而是你的文档理解助手

回看开头那个问题：“手里一堆扫描合同、数学试卷、表单，要直接变Markdown进知识库，用RTX 3060拉chandra-ocr镜像即可。”——这句话现在你应该完全理解了。

Chandra的价值，不在“识别准确率”这个单一数字，而在于它把OCR从字符识别任务，升级为文档理解任务：

它输出的不是字符串，而是带空间坐标的DOM树；
它处理的不是像素，而是标题、段落、公式、表格、手写体这些语义单元；
它服务的不是“复制粘贴”，而是RAG构建、自动化审核、无障碍阅读、多模态检索。

你不需要成为OCR专家，也不用调参炼丹。pip install chandra-ocr之后，那张积灰的扫描件、那份难啃的PDF论文、那叠待归档的合同，就真的只差一次回车。

下一步，你可以：
用Streamlit界面试跑自己的第一张图
把chandra命令集成进PDF下载脚本，实现自动归档
将JSON输出接入LangChain，构建专属文档问答机器人

技术的意义，从来不是炫技，而是让复杂变简单，让不可能变日常。

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。

Chandra开源OCR保姆级教程：支持表格/公式/手写，输出HTML+JSON