Chandra 是一个先进的OCR（光学字符识别）模型，专注于将图像和PDF文档精确地转换为结构化的HTML、Markdown或JSON格式，同时完整保留原始布局信息。

🎯 核心功能与优势

Chandra的核心优势在于处理复杂文档和多语言识别能力：

  • 处理复杂元素：能够精准识别并重建复杂表格、数学公式、手写文字、表单（含复选框） 以及多栏布局。
  • 支持90+种语言：项目提供了详细的基准测试，在中文、日文、阿拉伯文等多种语言上表现优异。根据其内部基准，Chandra 2在43种常见语言上的平均得分达到77.8%。
  • 输出格式灵活：可输出Markdown（便于阅读）、HTML（保留样式）或JSON（便于程序处理）格式，并支持提取图片和图表。

🚀 快速上手与部署

你可以通过以下方式快速开始使用：

  1. 安装Python包：

    1
    2
    3
    pip install chandra-ocr  # 基础版，使用vLLM后端
    # 或
    pip install chandra-ocr[hf]  # 包含HuggingFace后端（需安装PyTorch）

  2. 使用命令行处理：

    1
    2
    chandra input.pdf ./output --method vllm  # 处理单个PDF
    chandra ./documents ./output --method hf   # 批量处理目录

  3. 启动交互式Web应用：chandra_app （需安装chandra-ocr[app]）。

  4. 部署高性能服务：对于生产环境，可以使用chandra_vllm命令启动一个基于vLLM的Docker服务，以获得更高吞吐量（项目测试在单张H100 GPU上可达约1.44页/秒）。

⚖️ 许可证与商业使用

  • 代码：采用 Apache 2.0 许可证。
  • 模型权重：采用修改版OpenRAIL-M许可证，允许研究、个人使用以及年收入/融资低于200万美元的初创公司免费使用，但不能用于与Datalab API服务形成竞争。
  • 商业授权：如果需要更宽松的商业授权或大规模商业部署，需要联系Datalab获取商业许可证。

💎 总结

Chandra 是一个功能强大、专注于复杂文档和多语言的OCR解决方案，在基准测试中表现优于许多同类开源模型。它特别适合需要从学术论文、财务报表、历史档案等复杂排版文档中提取结构化信息的场景。

如果你需要一个高精度、支持多语言且能处理复杂布局的OCR工具，Chandra值得尝试。需要注意，如果用于大规模商业项目，需留意其模型权重的使用许可限制。