Surya：专业多语言文档OCR工具，开源本地部署

일반 소개

Surya是一个开源的多语言文档OCR工具包，支持90多种语言的文本识别。它不仅能够进行逐行文本检测，还能进行布局分析、阅读顺序检测和表格识别。Surya的性能与云服务相媲美，适用于各种类型的文档，包括PDF、图像、Word文档和PPT等。该工具包旨在为用户提供全面的文档解析解决方案。

托管API：https://www.datalab.to/

适用于 PDF、图像、Word 文档和 PowerPoint

기능 목록

• OCR：支持90多种语言的文本识别
• 逐行文本检测：自动识别文档中每一行文字的位置
• 布局分析：检测文档中的表格、图像、标题等元素
• 阅读顺序检测：识别文档中的阅读顺序
• 表格识别：检测表格中的行和列

도움말 사용

설치 프로세스

1. 确保已安装Python 3.9+和PyTorch。
2. 如果不是使用Mac或GPU机器，可能需要先安装CPU版本的torch。
3. 使用以下命令安装Surya：

   pip install surya-ocr
   

4. 第一次运行Surya时，模型权重会自动下载。

사용 프로세스

1. 检查并配置surya/settings.py中的设置，可以通过环境变量覆盖任何设置。
2. Surya会自动检测torch设备，但可以手动覆盖。例如：

   TORCH_DEVICE=cuda
   

3. 使用以下命令运行OCR应用：

   python run_ocr_app.py
   

4. 处理文档时，可以选择不同的功能模块，如文本检测、布局分析等。

기능 작동 흐름

1. OCR功能::
   • 加载文档（PDF、图像等）。
   • 选择语言（支持90多种语言）。
   • 运行OCR识别，提取文本内容。
2. 逐行文本检测::
   • 加载文档。
   • 运行逐行文本检测，获取每一行文字的位置。
   • 导出检测结果。
3. 布局分析::
   • 加载文档。
   • 运行布局分析，检测文档中的表格、图像、标题等元素。
   • 导出分析结果。
4. 阅读顺序检测::
   • 加载文档。
   • 运行阅读顺序检测，识别文档中的阅读顺序。
   • 导出检测结果。
5. 表格识别::
   • 加载文档。
   • 运行表格识别，检测表格中的行和列。
   • 导出识别结果。

Surya提供了丰富的文档解析功能，用户可以根据需求选择不同的功能模块进行操作。详细的操作流程和设置说明可以参考官方文档和示例代码。