在日常办公场景中，处理多语言文档、表格和复杂排版已成为许多团队和个人的常态。OCR 技术为这些难题提供了高效解决方案。在众多开源 OCR 工具中，Surya 表现尤为突出——不仅在性能和功能上超越同类，更在表格识别与复杂布局分析方面带来了令人惊喜的成果。

Surya 核心功能

Surya 是一款专为文档处理优化的开源 OCR 识别工具，识别能力强劲。尤其在表格识别、复杂布局分析以及多语言混排场景下表现卓越。

_{Surya（苏里亚）之名源自印度教太阳神，寓意视野广阔、光明普照。}

下表列出 Surya 的核心功能：

Surya 的核心优势

1、依托先进的深度学习模型架构，Surya 在识别速度与精度上显著提升，尤其在表格识别方面，已超越当前最先进的 Table Transformer 模型。

2、完全开源且支持商业使用——个人项目可免费使用，企业级集成同样不受限。

3、兼容 Windows、Mac、Linux 系统，支持本地部署。对于需要大规模离线文档处理的场景，Surya 是理想选择。

4、值得一提的是，Surya 在 GitHub 上已获得超过 10.4k Star，开发团队保持高度活跃，迭代更新迅速。

支持的文档类型

Surya 可胜任多种文档类型的 OCR 任务，包括但不限于：

• • PDF 文件：支持扫描版图片 PDF 与原生文本 PDF。

• • 图片格式：兼容 PNG、JPEG、TIFF 等常见图像格式。

• • Office 文档：支持 Word（.docx）和 PowerPoint（.pptx）格式。

Surya 安装指南

Surya 安装过程十分简便，需 Python 3.9 及以上版本，并依赖 PyTorch。若使用非 GPU 设备或 Mac，需先安装 CPU 版本的 PyTorch。

1. 使用 pip 安装

直接执行以下命令：

pip install surya-ocr

首次运行时，Surya 将自动下载所需模型权重，简化操作流程。

2. Docker 安装

需要隔离运行环境？可通过 Docker 快速部署：

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

偏好手动配置或需自定义功能，可直接从 GitHub 克隆并构建：

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

Surya 使用方法

Surya 提供简洁的命令行工具与 Python API 两种使用方式。以下是基本操作示例。

1、命令行使用示例

OCR 处理仅需一条命令，支持图片、PDF 或文件夹批量操作：

surya_ocr DATA_PATH

还可添加参数自定义处理：

• • --langs：指定识别语言，例如 --langs en,zh 支持英文和中文混合识别。

• • --images：保存检测到的图片与文本行。

• • --results_dir：自定义输出目录。

• • --max：限制最大处理页数。

• • --start_page：从指定页码开始处理。

生成的 results.json 包含每页检测结果——文本行、置信度、边界框等信息，一目了然。

2、Python API 使用示例

若希望在代码中直接调用，可参考以下标准示例：

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"]  # 替换成你需要的语言
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与表格识别方面表现卓越。它能自动检测表格中的行、列结构，并输出结构化的 JSON 数据。

对于包含表格的 PDF，Surya 可自动识别每个单元格的内容与位置，结果如下所示：

{
  "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]
        }
      ]
    }
  ]
}

性能对比

对比数据可见，Surya 单页处理耗时稍高于 Tesseract，但识别准确度（平均相似度）高达 0.97，远超 Tesseract 的 0.88。在追求高精度的应用场景中，这一性能取舍极具价值。

结语

Surya 是一款功能强大的开源 OCR 工具，在处理复杂表格、多语言文档及多样布局分析方面效率极高。若您正在寻找一个支持本地部署、具备高精度识别能力的 OCR 解决方案，Surya 无疑是您的首选工具。