在我们日常工作环境中，处理大量多语言文档、表格和复杂布局已经成为许多企业和个人的日常挑战。

OCR（光学字符识别）工具的出现大大提升了文档处理的效率。

Surya 作为一款开源 OCR 工具，在性能和功能上超越了许多现有的选择，尤其在表格识别和复杂布局分析方面表现得特别出色。

主要功能

Surya 是一个针对文档处理优化的 OCR 工具，具备卓越的识别能力，尤其在处理表格、复杂布局和多语言文档时表现突出。

苏里亚（Surya）这个名字来源于印度教的太阳神，象征着广泛的视野与光明。

以下是 Surya 的核心功能：

Surya 的优势

1、通过使用先进的模型架构，显著提高了 OCR 的识别速度和精度，特别是在表格识别方面，超越了当前的 SoTA（State of the Art）模型 Table Transformer。

2、完全开源且允许商业用途，你不仅可以在个人项目中使用它，还可以将其集成到商业应用中。

3、Surya 支持 Windows、Mac 和 Linux 系统，并且可以本地部署。对于需要大规模离线处理文档的企业或个人来说，Surya 是一个理想的选择。

4、关键的一点，stars大于10.4k，开发团队非常活跃，持续更新。

支持的文档类型

Surya 支持各种文档类型的 OCR 处理，包括但不限于：

• • PDF 文件：无论是扫描的图片 PDF 还是原生文本 PDF，Surya 都能处理。

• • 图片格式：如 PNG、JPEG、TIFF 等。

• • Office 文件：如 Word 文档（.docx）和 PowerPoint 幻灯片（.pptx）。

如何安装？

Surya 的安装过程非常简单，它支持 Python 3.9 及以上版本，并依赖于 PyTorch。

对于非 GPU 设备或 Mac 设备，可能需要安装 CPU 版本的 PyTorch。

1. 使用 pip 安装

你可以通过以下命令直接安装 Surya：

pip install surya-ocr

在首次运行时，Surya 会自动下载模型权重，确保能够正常使用。

2. Docker 安装

Surya 也可以通过 Docker 安装，非常适合需要隔离运行环境的用户：

docker pull vikparuchuri/surya
docker run -v ${path_to_host_folder_to_scan}:/path vikparuchuri/surya:latest [COMMAND] [OPTIONS] [SOURCE_PATH]

3. 源码安装

如果你更倾向于手动安装，或者需要自定义 Surya 的功能，可以从 GitHub 克隆项目并自行编译：

git clone https://github.com/VikParuchuri/surya.git
cd surya
make build

如何使用？

Surya 提供了非常简洁的命令行接口和 Python API。以下是使用 Surya 进行 OCR 的基本方法：

1、命令行使用示例

通过以下命令进行 OCR 操作，支持图片、PDF 或文件夹批量处理：

surya_ocr DATA_PATH

你还可以根据需求，添加以下参数进行自定义：

• • --langs：指定 OCR 使用的语言，例如：--langs en,zh。

• • --images：保存检测到的图片和文本行。

• • --results_dir：自定义输出结果的保存目录。

• • --max：设置最大处理页面数。

• • --start_page：从指定页码开始处理。

生成的 results.json 文件将包含每个页面的检测结果，包括文本行、置信度、边框信息等。

2、Python API 使用示例

如果你更喜欢在代码中直接调用 Surya，可以参考以下 Python 示例：

from PIL import Image
from surya.ocr import run_ocr
from surya.model.detection.model import load_model as load_det_model, load_processor as load_det_processor
from surya.model.recognition.model import load_model as load_rec_model
from surya.model.recognition.processor import load_processor as load_rec_processor

image = Image.open("path_to_image.png")
langs = ["en"]  # 替换为你需要的语言
det_processor, det_model = load_det_processor(), load_det_model()
rec_model, rec_processor = load_rec_model(), load_rec_processor()

predictions = run_ocr([image], [langs], det_model, det_processor, rec_model, rec_processor)

表格识别与布局分析

Surya 在复杂文档的布局分析和表格识别方面也具有强大的能力。它可以自动检测并识别文档中的表格结构，包括行和列，并输出对应的 JSON 格式结果。

对于包含表格的 PDF 文件，Surya 可以自动检测表格并返回每个单元格的内容与位置。

{
  "tables": [
    {
      "page": 1,
      "cells": [
        {
          "text": "Header 1",
          "bbox": [100, 200, 300, 250]
        },
        {
          "text": "Header 2",
          "bbox": [300, 200, 500, 250]
        },
        {
          "text": "Cell 1",
          "bbox": [100, 250, 300, 300]
        },
        {
          "text": "Cell 2",
          "bbox": [300, 250, 500, 300]
        }
      ]
    }
  ]
}

性能

结语

Surya 是一款功能强大的开源 OCR 工具，能够高效地处理复杂表格、多语言文档以及各种文档类型的布局分析。