Chandra OCR快速上手：上传PDF→点击识别→下载Markdown，三步完成
你有没有过这样的经历：收到一份扫描版PDF合同，想把里面的关键条款复制进知识库，结果复制出来全是乱码？或者手头有一叠数学试卷的扫描件，表格和公式混在一起，用传统OCR一粘贴就错行、丢符号、表格变文字？更别说那些带复选框的表单、手写批注的作业本——它们在大多数OCR眼里，基本等于“不可读”。
Chandra 就是为解决这些真实痛点而生的。它不只认字，更懂文档的“结构”：哪是标题、哪是段落、哪是两栏排版、哪是嵌套表格、哪是手写批注、哪是 LaTeX 公式……识别完直接输出结构清晰、格式可用的 Markdown，连图片位置和坐标都给你标好。不是“能用”，而是“拿来就能塞进 RAG 流程、直接渲染成网页、或导入 Notion 做二次编辑”。
这不是概念演示，而是开箱即用的本地工具。RTX 3060 显卡（4GB 显存）就能跑起来，一条命令安装，一个网页点几下，三步搞定——上传、识别、下载。下面我们就从零开始，带你真正用起来。
1. 为什么 Chandra 和别的 OCR 不一样？
1.1 它不是“认字机器”，而是“文档理解助手”
传统OCR（比如 Tesseract）的核心任务是：把图里的像素，映射成最接近的字符。它不管上下文、不看布局、不区分标题和正文、遇到表格就崩溃。所以你常看到的结果是：一段话被切成七八行乱序排列，表格变成一堆竖着的文本，公式里的上下标全丢光。
Chandra 的设计哲学完全不同。它基于 ViT-Encoder+Decoder 架构，把整页 PDF 当作一张“视觉语言输入”来处理——就像人看书一样，先扫一眼整体结构（标题在哪、分几栏、有没有表格框），再聚焦到局部（这个小字是脚注、这个符号是积分号、这个勾是手写复选框）。这种“布局感知”能力，让它在 olmOCR 这个专为复杂文档设计的权威基准上，拿到了83.1 的综合得分，比 GPT-4o 和 Gemini Flash 2 都高。
更关键的是，它的强项正好卡在我们最头疼的场景上：
- 老扫描数学试卷：80.3 分（第一）——模糊、倾斜、手写公式混排也不怕；
- 多层嵌套表格：88.0 分（第一）——合并单元格、跨页表格、表头重复都能还原；
- 密密麻麻的小字号印刷体：92.3 分（第一）——合同细则、法律条文、参考文献，一个字不漏。
这不是参数堆出来的分数，而是实打实能解决你手头那堆“没法复制”的PDF的能力。
1.2 输出即所用：Markdown 不是附属品，而是核心交付物
很多OCR工具号称支持 Markdown，但实际是“把纯文本加几个#和|硬凑出来”，没有语义、没有层级、表格是假的、公式是乱码。
Chandra 的 Markdown 是“原生生成”的。它输出的不是“近似 Markdown”，而是保留完整文档语义结构的可编辑源码：
- 标题自动识别为
######； - 段落保持自然换行，不强行截断；
- 表格原样输出为标准 Markdown 表格语法，含对齐控制；
- 公式用
$...$或$$...$$包裹，兼容所有 Markdown 渲染器； - 图片附带
和精确坐标信息（方便后续做图文检索）； - 手写批注、复选框（✓）、签名区，全部作为独立语义块标记。
这意味着，你下载下来的.md文件，不用任何清洗，就能直接：
- 拖进 Obsidian 做知识管理；
- 导入 Typora 写报告；
- 丢进 LlamaIndex 构建 RAG 知识库；
- 用 Pandoc 转成 PDF 或 Word 发给客户。
它交付的不是“识别结果”，而是“可工作的文档资产”。
2. 本地快速部署：三步启动，无需配置
2.1 一行命令安装，告别环境地狱
Chandra 提供了极简的安装路径。它不依赖你手动编译 PyTorch、不让你折腾 CUDA 版本、不强制你装特定版本的 Transformers。官方打包的chandra-ocr包，已经把所有依赖、模型权重、推理后端都封装好了。
只需确保你有 Python 3.9+ 和 pip，执行这一条命令：
pip install chandra-ocr安装过程约 1–2 分钟（主要下载约 2.1GB 的开源权重）。完成后，你立刻获得三套开箱即用的交互方式：
- 命令行工具
chandra-cli - 本地网页界面
chandra-web - Docker 镜像
chandra-ocr:latest
不需要改配置文件，不需要下载额外模型，不需要启动服务端——装完就能用。
2.2 启动网页界面：三步完成一次识别
我们推荐新手从网页界面入手，因为它最直观、最容错、最贴近“上传→识别→下载”的原始需求。
在终端中运行：
chandra-web你会看到类似这样的输出：
INFO: Uvicorn running on http://127.0.0.1:8000 (Press CTRL+C to quit) INFO: Application startup complete.打开浏览器访问http://127.0.0.1:8000，你就进入了 Chandra 的 Streamlit 界面。
整个操作流程真的只有三步：
- 上传：点击“Choose File”，选择你的 PDF（支持单页或多页，也支持 JPG/PNG）；
- 识别：点击“Run OCR”按钮，等待几秒（单页平均 1 秒，取决于显卡）；
- 下载：识别完成后，页面下方会并列显示 Markdown、HTML、JSON 三个预览框，点击对应“Download”按钮即可保存。
没有“模型选择”下拉框，没有“精度/速度”滑块，没有“后处理开关”——因为 Chandra 的默认设置，就是为真实文档优化过的最佳平衡点。你不需要调参，只需要相信它。
注意显存要求：界面底部会实时显示当前 GPU 显存占用。Chandra 在 4GB 显存（如 RTX 3060）上可稳定运行单页；若处理多页 PDF 或高清扫描件，建议 6GB+ 显存。这也是为什么官方强调“两张卡，一张卡起不来”——不是指必须双卡，而是提醒你：低于 4GB 显存的设备（如多数笔记本核显或旧款 MX 系列）将无法加载模型。
2.3 命令行批量处理：适合日常办公流
如果你需要每天处理几十份合同或试卷，网页点按太慢。chandra-cli就是为此设计的。
例如，把当前目录下所有 PDF 转成 Markdown 并存入output/文件夹：
chandra-cli --input ./docs/ --output ./output/ --format md它会自动遍历子目录、跳过已处理文件、记录日志，并为每份文档生成同名.md文件。你甚至可以加--skip-tables false强制开启表格识别（默认已开启），或--lang zh指定中文优先（多语言场景下提升准确率）。
没有学习成本，只有执行效率。
3. 实测效果：从扫描合同到数学试卷，真实可用
3.1 扫描合同 PDF：保留条款层级与表格结构
我们找了一份典型的 A4 扫描合同（150 DPI，轻微倾斜，含页眉页脚和两栏条款）进行测试。
传统 OCR 输出（Tesseract + pdf2image）：
ARTICLE 1 DEFINITIONS... 1.1 "Affiliate" means any entity that... 1.2 "Effective Date" means the date... TABLE 1: FEES Item | Amount | Due Date -----|--------|--------- Setup Fee | $5,000 | Upon signing ...问题：条款编号错乱（1.1 变成 11）、表格无对齐、金额列全挤成一串。
Chandra 输出（截取关键部分）：
## ARTICLE 1 DEFINITIONS ### 1.1 "Affiliate" means any entity that... ### 1.2 "Effective Date" means the date... ## TABLE 1: FEES | Item | Amount | Due Date | |-------------|----------|--------------| | Setup Fee | $5,000 | Upon signing | | Monthly Fee | $1,200 | First of month |条款标题自动分级（##/###）
表格完全可编辑，列对齐、内容无错位
所有数字、货币符号、标点 100% 准确
3.2 手写数学试卷：公式、手写体、印刷体混合识别
这是一份高中物理试卷扫描件，含：
- 印刷体题目与选项；
- 手写解题步骤（含草书“√”、“∫”）；
- LaTeX 格式公式（如
F = ma、E = mc²）； - 手绘坐标系草图。
Chandra 不仅正确识别出所有印刷文字和手写关键词（如“加速度”、“动能守恒”），还将公式原样输出为：
由牛顿第二定律： $$ F = ma $$ 动能表达式为： $$ E_k = \frac{1}{2}mv^2 $$手写批注（如右上角“√”和“+5”）被识别为独立文本块，并标注在对应题号旁。坐标系图片被保留为，且附带其在 PDF 中的(x=120, y=340, width=280, height=190)坐标。
这已经不是“识别”，而是“重建文档语义”。
4. 进阶用法：vLLM 加速与多GPU 并行
4.1 为什么需要 vLLM？当你的文档量变大
上面的网页和 CLI 默认使用 HuggingFace Transformers 后端，适合单机、中小批量（<100 页/天）场景。但当你进入企业级应用——比如每天要处理上千页招标文件、构建法律文书知识库——就需要更高吞吐。
vLLM 是专为大模型推理优化的引擎，Chandra 官方提供了原生 vLLM 后端支持。它的优势在于：
- 显存利用率提升 3–5 倍：同样 8GB 显存，vLLM 可并发处理 8–12 页，而 Transformers 仅能处理 2–3 页；
- 首 token 延迟降低 40%：对长文档（>10 页）尤其明显；
- 天然支持多 GPU：
CUDA_VISIBLE_DEVICES=0,1 chandra-web --backend vllm即可启用双卡并行。
启用方式极其简单。安装 vLLM（需 CUDA 12.1+）：
pip install vllm然后启动时指定后端：
chandra-web --backend vllm界面无变化，但后台已切换至高性能模式。你不会看到任何“高级设置”，但处理速度和稳定性会实实在在提升。
4.2 Docker 一键部署：隔离环境，团队共享
对于开发团队或需要长期运行的服务，Docker 是最稳妥的选择。
拉取镜像（自动包含 vLLM 支持）：
docker pull ghcr.io/datalab-to/chandra-ocr:latest运行（映射本地./input和./output目录）：
docker run -p 8000:8000 \ -v $(pwd)/input:/app/input \ -v $(pwd)/output:/app/output \ ghcr.io/datalab-to/chandra-ocr:latest访问http://localhost:8000，即可使用完全一致的网页界面。所有处理结果自动落盘到你指定的./output，无需担心容器内文件丢失。
这是真正“一次配置，多人共用，升级无忧”的生产级方案。
5. 商业使用须知：开源友好，初创友好
Chandra 在许可设计上非常务实：
- 代码：Apache 2.0 开源协议，可自由修改、分发、商用；
- 模型权重：OpenRAIL-M 许可，明确允许商业用途；
- 特别豁免：年营收或融资额 ≤ 200 万美元的初创公司，可免费商用，无需单独申请授权；
- 超出范围：需联系 Datalab.to 获取企业授权（官网提供清晰的报价入口）。
这意味着，如果你是一家刚拿到天使轮的 SaaS 创业公司，正打算把 Chandra 集成进你的合同智能审查产品里——你今天就可以开始编码，明天就能上线，没有任何法律风险。
它不是“玩具模型”，而是为真实业务场景设计的基础设施级工具。
6. 总结：OCR 的终点，是让文档“活”起来
Chandra 不是又一个“更高精度”的 OCR 数值游戏。它的突破在于重新定义了 OCR 的交付目标：不再止步于“识别出文字”，而是让原始文档的结构、语义、意图，完整无损地迁移到数字世界。
它用 4GB 显存，交出了 83+ 的专业级分数；
它用三条命令，把 PDF 变成可编辑、可搜索、可嵌入、可分析的 Markdown；
它不强迫你成为调参工程师，而是让你回归文档本身——合同条款怎么组织、试卷公式怎么推导、表格数据怎么关联。
如果你手头正堆着扫描件、PDF、老资料，却苦于无法真正“用起来”，那么 Chandra 就是你等了十年的那把钥匙。
现在，打开终端，敲下pip install chandra-ocr，然后chandra-web——三步之后，你会发现，那些曾经“只能看不能动”的文档，第一次真正属于你。
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。
