微信扫码
与创始人交个朋友
我要投稿
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。
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:
功能 | 描述 |
支持 90+ 种语言 | 可识别全球 90 多种语言,适用于国际化业务。 |
行级文本检测 | 自动检测文本行,确保准确的切分和读取顺序。 |
表格识别 | 自动检测表格的行、列、单元格,支持复杂表格布局。 |
复杂布局识别 | 能识别图片、标题、段落等复杂文档元素。 |
高效文本识别 | 精准识别文本内容并保持正确的逻辑顺序。 |
本地运行与 API 支持 | 支持本地处理,适合高隐私需求;提供 API 便于集成批量处理。 |
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。
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)。
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。
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。
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]
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
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:
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。
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)
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]
}
]
}
]
}
模型 | 每页时间(秒) | 平均相似度 (⬆) |
surya | .62 | 0.97 |
tesseract | .45 | 0.88 |
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。
53AI,企业落地应用大模型首选服务商
产品:大模型应用平台+智能体定制开发+落地咨询服务
承诺:先做场景POC验证,看到效果再签署服务协议。零风险落地应用大模型,已交付160+中大型企业
2025-01-09
KAG:开源大模型知识服务框架它来了
2025-01-09
微软开源PromptWizard,摔碎了提示工程师的饭碗~
2025-01-09
重磅!微软开源最强小模型Phi-4,超GPT-4o、可商用
2025-01-08
上海人工智能实验室创新:MindSearch,集多智能体、深度知识探索于一体的AI搜索引擎
2025-01-08
聊聊Firefly——开源且值得学习的LLM训练库
2025-01-07
Dify本地化部署避坑指南MAC
2025-01-06
Gitee AI加dify整合微信实现文生图案例分享
2025-01-06
蚂蚁开源新RAG框架KAG,可达91%准确率
2024-05-06
2024-07-25
2024-08-13
2024-06-12
2024-07-11
2024-07-20
2024-06-16
2024-09-20
2024-06-10
2024-06-06
2024-12-24
2024-12-20
2024-12-19
2024-11-22
2024-11-19
2024-11-13
2024-11-13
2024-10-07