开源发现

Chandra OCR 官方仓库展示的复杂表格识别示例

Chandra OCR是 Datalab推出的开源文档识别项目，重点不是只把图片里的文字“扫出来”，而是把 PDF和图片转换为尽量保留原始结构的 Markdown、HTML与 JSON。它面向包含多栏排版、复杂表格、表单、数学公式、手写内容和图表的文档，适合需要批量整理资料、构建文档知识库、提取业务表单，或开发本地文档解析流程的开发者与团队。

项目当前最新正式版本为 Chandra OCR 2，对应 GitHub Release v0.2.0。官方将模型规模从上一代的9B参数缩小到4B，同时宣称吞吐量提升约一倍，并在其公布的 olmOCR与多语言测试中取得更高分数。这里需要注意，这些性能数字来自项目官方 Release和官方测试，实际效果仍会受到文档清晰度、语言、版式、显存和推理配置影响。截图中“5秒”“万星新王”等说法没有足够官方资料支撑，因此不应当视为稳定性能或官方定位。

核心能力

Chandra OCR 2可以识别90多种语言，并将页面内容输出为带布局信息的结构化结果。除了普通段落，它还能区分标题、页眉页脚、脚注、列表、表格、表单、图片、图示、公式、代码块、参考文献和目录等多种布局区块，并为这些区块提供边界框信息。对需要保持文档阅读顺序和页面结构的任务来说，这比单纯输出纯文本更实用。

项目同时支持图片和 PDF，输出目录中会生成 Markdown、HTML与元数据 JSON，必要时还可以提取文档中的图片。推理方式分为 Hugging Face本地模式和 vLLM服务模式：前者便于直接在本机加载模型，后者更适合批处理和生产部署。官方还提供 Streamlit应用，方便对单页文档进行交互式测试。

复杂表格、表单与手写识别

复杂表格是 Chandra OCR的重点场景之一。它不仅尝试识别单元格文字，还会尽量恢复行列关系与页面中的整体结构，因此更适合财务表、统计表和多列数据页面。对于表单，官方特别提到能够重建包含复选框在内的表单内容，这对登记表、租赁合同和业务申请单等文档较有价值。

手写识别也是项目强调的能力，官方示例覆盖草写文字、手写笔记和手写数学内容。除此之外，Chandra OCR 2还能从柱状图、折线图和饼图中提取分类、数值与坐标轴信息，将流程图转换为 Mermaid，并为图片生成说明。对于化学文档，它还能够识别化学结构图并生成描述。不过，这些能力都属于复杂视觉理解任务，实际使用时仍应抽样核对，尤其不要直接把输出用于财务、医疗、法律等需要高准确率的场景。

安装与使用

最简单的方式是安装 PyPI包。默认安装面向 vLLM后端，若要在本地通过 Hugging Face加载模型，需要安装带 hf扩展的版本。

pip install chandra-ocr

使用 vLLM时，可以先启动官方提供的服务，再处理单个 PDF：

chandra_vllm
chandra input.pdf ./output

若希望直接使用 Hugging Face本地推理，可以安装对应依赖并指定 hf模式：

pip install chandra-ocr[hf]
chandra input.pdf ./output --method hf

项目也支持一次处理整个目录：

chandra ./documents ./output --method hf

需要交互式界面时，可以安装应用扩展并启动 Streamlit：

pip install chandra-ocr[app]
chandra_app

开发者也可以从源码安装：

git clone https://github.com/datalab-to/chandra.git
cd chandra
uv sync
source .venv/bin/activate

命令行支持页码范围、最大输出长度、并行工作线程、批量大小、是否提取图片，以及是否保留页眉页脚等参数。默认情况下，每个输入文件会生成独立输出目录，其中包含 Markdown、HTML、元数据 JSON和提取出的图片。

代码许可与模型权重限制

Chandra的代码采用 Apache 2.0许可证，但模型权重并不是完全相同的开放许可。官方为模型权重使用经过修改的 OpenRAIL-M许可证，研究、个人使用，以及融资或上一年度营收不超过200万美元的初创团队可以在许可范围内使用；同时，许可证禁止将模型用于与 Datalab自有产品或服务直接竞争的用途。

这意味着“代码开源”并不等于“模型权重可无条件商用”。年营收或累计融资超过200万美元的组织，或准备把它封装成与官方 API竞争的 OCR服务，都应先阅读仓库中的 MODEL_LICENSE，并向 Datalab获取更广泛的商业授权。模型分发、衍生模型、托管服务和输出使用也受到许可证中的署名、传递许可与用途限制约束，正式部署前应由法务或合规人员核对。

Chandra OCR 2的价值在于把文字识别、版面分析和结构化输出整合在一个开源流程中，特别适合传统 OCR难以处理的复杂页面。它对表格、表单、手写内容、多语言和图表提供了较完整的覆盖，也支持本地和服务化两种部署方式。不过，模型对硬件资源有一定要求，官方基准不等同于所有真实文档的表现，商业使用还必须区分代码许可与权重许可。对于需要自建文档解析系统的团队，它值得测试，但上线前应同时评估准确率、推理成本和授权边界。