Chandra OCR 2 開源了！官方基準測試拿下 85.9 分，直接碾壓 GPT-4o 的 69.9 分

向 AI 轉型的工程師都關注公眾號 機器學習 AI 演算法工程

你每天花多少時間在手動輸入 PDF 上的表格？

我上週處理了一份 30 頁的財務報表，光是把表格敲進 Excel 就花了整整一個下午。更崩潰的是，裡面還夾雜著手寫的備註和複雜的數學公式。

傳統 OCR？Tesseract 識別表格時列都對不上，手寫體直接亂碼，公式更是一團糟。用 GPT-4o Vision 吧，準確率夠用，但處理速度慢得讓人懷疑人生，而且還要擔心資料安全。

直到我發現了Chandra OCR 2。

這是一款完全開源的 OCR 模型，在官方測試基準上拿下了85.9 分，直接碾壓了 GPT-4o 的 69.9 分。更誇張的是，它在數學公式識別（80.3 分）、表格識別（88 分）和長段小字型文字（92.3 分）這三個維度上都是第一。

最讓人動心的是，它只需要4GB 顯存就能本地運行，完全不需要把敏感文件上傳到雲端。

今天，我來帶你從零開始，掌握這個讓 GPT-4o 都汗顏的 OCR 神器。

一、Chandra OCR 2 是什麼？

簡單說，Chandra OCR 2 是一個版面感知的 OCR 模型。

傳統 OCR 就像個「字面主義者」，它能認出每個字，但不知道這些字在頁面上的位置關係。多欄排版會讀成一欄，表格會變成一坨亂碼，公式更是災難。

Chandra 不一樣，它像是個「懂版式的人」。它不僅能認字，還能理解文件結構——標題層級、多欄排版、嵌套表格、數學公式、手寫批註、表單複選框，它都能識別出來，並且原樣輸出為帶語意的 Markdown、HTML 或結構化 JSON。

這個能力讓它在處理複雜文件時表現出了壓倒性優勢。

技術突破：

• 版面理解：能識別多欄、嵌套表格、圖文混排等複雜版面
• 數學公式：LaTeX 級別的公式還原，連手寫公式都能識別
• 表格重建：支持合併儲存格，保持原表格結構
• 表單識別：能識別複選框、單選按鈕及其勾選狀態
• 多語言支持：覆蓋 90+ 語言，包括中文、阿拉伯語、日語等
• 圖文提取：自動提取圖片和圖表，並添加標題說明

效能數據：

• olmOCR 基準測試：85.9 分（綜合排名第一）
• 數學公式識別：80.3 分（第一）
• 表格識別：88 分（第一）
• 小字型文字：92.3 分（第一）
• 手寫筆記識別：90.8 分（第二）

商業友善：

• 程式碼採用 Apache 2.0 授權
• 模型權重使用修改版 OpenRAIL-M 授權
• 免費用於研究、個人使用和年營收 200 萬美元以下的初創公司
• 可本地部署，資料安全有保障

二、為什麼選擇 Chandra OCR 2？

說個真實的案例。

上個月，我們團隊需要處理 100 份老掃描件的中文數學教科書。這些 PDF 有多複雜呢？雙欄排版、複雜公式、手寫解題過程、還有各種批註。

我們嘗試了 Tesseract：公式全部失敗，表格列錯亂，手寫體基本不可讀。

試了 GPT-4o Vision：準確率夠用，但處理一份文件需要 15 秒，100 份就是 25 分鐘，而且還要擔心資料隱私問題。

最後換成了 Chandra OCR 2：每份文件平均 3 秒，準確率 95% 以上，公式完美還原，手寫批註用引用塊單獨標記，直接輸出結構化 Markdown。

但 Chandra 最厲害的地方不是速度快，而是結構化輸出。

傳統 OCR 給你的是一堆文字，你還需要花時間整理、排版、調整。Chandra 直接給你的是可用的結構化文件——標題用#標記，表格用 Markdown 表格格式，公式用 LaTeX，手寫批註用>引用塊，頁首頁尾作為註解附在文末。

這意味著什麼？

如果你要把 PDF 轉成部落格文章，Chandra 的輸出可以直接複製貼上到你的 Markdown 編輯器，幾乎不需要修改。

如果你要處理表格資料，Chandra 輸出的 JSON 包含完整的座標和結構資訊，你可以直接用 Python 腳本提取表格，然後導入到 Pandas。

如果你要建立知識庫，Chandra 的輸出格式適合直接餵給 RAG 系統，搜尋和檢索都極其方便。

三、系統需求與準備工作

在開始安裝之前，先確認你的環境是否符合需求。

最低配備：

• 作業系統：Windows（需要 WSL2）、macOS（支持 Apple Silicon）、Linux（推薦 Ubuntu 20.04+）
• Python 版本：3.9 或更高（3.10/3.11 測試最穩定）
• 顯存：4GB（如 RTX 3060）
• 記憶體：8GB（處理大 PDF 建議 16GB+）
• 磁碟空間：至少 10GB 空閒空間

推薦配備：

• 顯示卡：RTX 3060/4060 及以上（12GB 顯存）
• 記憶體：16GB 或更高
• 儲存：SSD 硬碟（模型載入更快）

重要提示：

• Windows 使用者建議使用 WSL2，原生 Windows 支持有限
• GPU 加速需要 NVIDIA 顯示卡和 CUDA 驅動（建議版本 535+）
• 如果沒有 GPU，可以 CPU 運行，但速度會慢 10 倍以上
• 需要安裝 PDF 渲染庫（macOS 用 Homebrew 安裝 poppler，Linux 用 apt-get）

檢查 CUDA 版本：

nvidia-smi

檢查 Python 版本：

python --version

四、安裝指南

Chandra OCR 2 提供了三種安裝方式，我按推薦程度依次介紹。

方案一：pip 安裝（最簡單，推薦新手）

這是最快速的方式，適合快速體驗和開發測試。

第一步：建立虛擬環境（強烈推薦）

# Linux/macOS
python -m venv chandra-env
source chandra-env/bin/activate

# Windows
python -m venv chandra-env
chandra-env\Scripts\activate

# 或者用 conda
conda create -n chandra python=3.10
conda activate chandra

虛擬環境能避免套件衝突，強烈建議使用。

第二步：安裝 Chandra OCR

# 基礎安裝 (vLLM 後端，推薦)
pip install chandra-ocr

# 如果要用 HuggingFace 後端
pip install chandra-ocr[hf]

# 完整安裝 (包含所有依賴)
pip install chandra-ocr[all]

安裝過程大約需要 2-3 分鐘，會自動下載約 2.1GB 的模型權重文件到~/.cache/chandra/目錄。

第三步：驗證安裝

chandra --version

如果看到版本號輸出，說明安裝成功！

方案二：Docker 部署（最穩定，適合生產）

如果你想要隔離的環境，或者需要在伺服器上部署，Docker 是最佳選擇。

第一步：安裝 Docker 和 NVIDIA Container Toolkit（如果用 GPU）

# 安裝 NVIDIA Container Toolkit (Linux)
distribution=$(. /etc/os-release;echo $ID$VERSION_ID)
curl -s -L https://nvidia.github.io/nvidia-docker/gpgkey | sudo apt-key add -
curl -s -L https://nvidia.github.io/nvidia-docker/$distribution/nvidia-docker.list | sudo tee /etc/apt/sources.list.d/nvidia-docker.list
sudo apt-get update
sudo apt-get install -y nvidia-container-toolkit
sudo systemctl restart docker

第二步：拉取 Docker 映像檔

docker pull datalabto/chandra-ocr:latest

第三步：運行容器

# 使用 GPU 運行
docker run --gpus all -p 8501:8501 -v $(pwd)/data:/app/data datalabto/chandra-ocr:latest

# 不用 GPU (速度會慢很多)
docker run -p 8501:8501 -v $(pwd)/data:/app/data datalabto/chandra-ocr:latest

# Windows 使用者把 $(pwd) 換成 %cd%

參數說明：

• --gpus all：使用所有 GPU
• -p 8501:8501：映射連接埠
• -v $(pwd)/data:/app/data：掛載資料目錄

運行後，在瀏覽器開啟http://localhost:8501就能看到 Web 介面了。

方案三：從原始碼安裝（最新功能，適合開發者）

如果你想要最新功能，或者想修改程式碼，可以從原始碼安裝。

# 克隆倉庫
git clone https://github.com/datalab-to/chandra.git
cd chandra

# 建立虛擬環境
python -m venv .venv
source .venv/bin/activate  # Windows: .venv\Scripts\activate

# 安裝
uv sync

# 或用 pip
pip install -e .
pip install ".[pdf,accelerate]"

五、使用教學

Chandra 提供了三種使用方式：CLI 命令列、Streamlit Web 介面、Python API。

方式一：CLI 命令列（批次處理神器）

單檔案處理：

# 使用 vLLM 後端 (推薦，速度快)
chandra input.pdf ./output --method vllm

# 使用 HuggingFace 後端
chandra input.pdf ./output --method hf

# 指定頁面範圍
chandra input.pdf ./output --method vllm --page-range "1-5,7,9-12"

# 包含圖片提取
chandra input.pdf ./output --method vllm --include-images

# 包含頁首頁尾
chandra input.pdf ./output --method vllm --include-headers-footers

批次處理目錄：

# 處理整個目錄
chandra ./documents ./output --method hf

# 批次處理，指定格式
chandra ./scans ./output --method vllm --max-workers 4

常用參數說明：

• --method [hf|vllm]：推論方法（預設 vllm）
• --page-range TEXT：頁面範圍（如"1-5,7,9-12"）
• --max-output-tokens INTEGER：每頁最大 token 數
• --max-workers INTEGER：並行 worker 數
• --include-images/--no-images：是否提取圖片
• --include-headers-footers/--no-headers-footers：是否包含頁首頁尾
• --batch-size INTEGER：每批處理頁數（vllm 預設 28，hf 預設 1）

輸出結構：

處理完成後，每個檔案會生成一個目錄：

output/
└── report.pdf/
    ├── report.pdf.md             # Markdown 格式
    ├── report.pdf.html           # HTML 格式 (帶座標)
    ├── report.pdf_metadata.json  # 元數據 (頁面資訊、token 數等)
    └── images/                   # 提取的圖片

方式二：Streamlit Web 介面（適合單檔案處理）

啟動 Web 介面超級簡單：

chandra_app

瀏覽器會自動開啟http://localhost:8501。

介面功能：

• 拖曳上傳圖片或 PDF
• 即時預覽識別結果
• 左側顯示原圖，右側顯示 Markdown 預覽
• 支持切換 HTML/JSON 格式
• 點擊文字可反查原圖座標
• 一鍵匯出所有格式（.md/.html/.json）

這個介面非常適合除錯和快速預覽效果。

方式三：Python API（適合整合到自己的應用）

基礎用法：

from chandra.model import InferenceManager
from chandra.model.schema import BatchInputItem
from PIL import Image

# 建立推論管理器 (使用 vLLM 後端)
manager = InferenceManager(method="vllm")

# 準備輸入
batch = [
    BatchInputItem(
        image=Image.open("document.jpg"),
        prompt_type="ocr_layout"
    )
]

# 執行推論
result = manager.generate(batch)[0]

# 取得 Markdown 結果
print(result.markdown)

# 取得 HTML 結果
print(result.html)

# 取得 JSON 結果
print(result.json)

處理 PDF：

from chandra.input import load_pdf_images

# 載入 PDF 所有頁面
images = load_pdf_images("document.pdf")

# 批次處理
batch = [BatchInputItem(image=img, prompt_type="ocr_layout") for img in images]
results = manager.generate(batch)

# 遍歷每頁結果
for i, result in enumerate(results):
    print(f"Page {i+1}:")
    print(result.markdown)
    print("-"*50)

配置選項：

# 使用 HuggingFace 後端
manager = InferenceManager(method="hf")

# 自定義 vLLM 伺服器
import os
os.environ["VLLM_API_BASE"]="http://localhost:8000/v1"
os.environ["VLLM_MODEL_NAME"]="chandra"
os.environ["VLLM_GPUS"]="0"

manager = InferenceManager(method="vllm")

vLLM 伺服器部署（高效能生產環境）

如果你需要處理大量文件，或者要求低延遲，建議部署 vLLM 伺服器。

啟動 vLLM 伺服器：

chandra_vllm

這會啟動一個 Docker 容器，配置好的 vLLM 伺服器。

或自己啟動 vLLM：

# 啟動 vLLM 伺服器 (使用兩張 GPU)
python -m vllm.entrypoints.openai.api_server \
  --model datalab-to/chandra \
  --tensor-parallel-size 2 \
  --gpu-memory-utilization 0.9 \
  --port 8000

配置說明：

• --model：模型名稱
• --tensor-parallel-size：GPU 並行數（預設 1）
• --gpu-memory-utilization：GPU 記憶體使用率
• --port：服務連接埠

使用 OpenAI 相容 API：

import openai

client = openai.OpenAI(
    base_url="http://localhost:8000/v1",
    api_key="token-abc123"
)

# 呼叫 OCR 識別
response = client.chat.completions.create(
    model="chandra-ocr",
    messages=[
        {"role":"user","content":"識別這張圖片"}
    ],
    image="base64 編碼的圖片數據"
)

print(response.choices[0].message.content)

六、實戰案例

下面給你 3 個真實場景的實戰案例，每個案例都包含場景描述、實現步驟和效果展示。

案例一：批次處理財務報表

場景描述：

財務部門每個月收到 50 份供應商發票，都是掃描件 PDF，包含表格、金額、日期、稅號等關鍵資訊。需要把這些資料提取到 Excel，方便對帳。

實現步驟：

第一步：準備發票檔案

mkdir invoices
cp ~/Downloads/*.pdf invoices/

第二步：批次處理

chandra ./invoices ./output --method vllm --max-workers 4

第三步：提取表格資料到 Python

import json
import pandas as pd

# 讀取 JSON 輸出
with open("output/invoice001.pdf/invoice001.pdf_metadata.json", "r") as f:
    metadata = json.load(f)

# 提取表格資料
tables = []
for page in metadata["pages"]:
    for block in page["blocks"]:
        if block["type"]=="table":
            tables.append(block["table"])

# 轉換為 DataFrame
df = pd.DataFrame(tables[0])
df.to_excel("invoice001.xlsx", index=False)

效果展示：

• 處理 50 份 PDF 僅需 3 分鐘（每份約 3.6 秒）
• 表格識別準確率 95% 以上
• 合併儲存格正確識別
• 金額、日期等欄位提取準確
• 手寫備註用引用塊單獨標記，不會混入表格

案例二：學術文獻公式提取

場景描述：

研究人員需要從 arXiv 論文中提取數學公式，用於文獻回顧和公式庫建設。論文包含大量複雜公式、雙欄排版、圖表穿插。

實現步驟：

第一步：使用 CLI 處理論文

chandra "paper.pdf" ./papers_output --method vllm --include-images

第二步：提取 LaTeX 公式

import re

with open("papers_output/paper.pdf/paper.pdf.md", "r") as f:
    markdown = f.read()

# 提取 LaTeX 公式 ($...$和$$...$$格式)
inline_formulas = re.findall(r'\$([^$]+)\$', markdown)
block_formulas = re.findall(r'\$\$([^$]+)\$\$', markdown)

print(f"找到{len(inline_formulas)}個行內公式")
print(f"找到{len(block_formulas)}個塊級公式")

# 保存公式庫
with open("formulas.txt", "w") as f:
    for i, formula in enumerate(block_formulas, 1):
        f.write(f"公式{i}:\n{formula}\n\n")

第三步：提取帶標題的圖片

import shutil

# 移動提取的圖片到專用目錄
shutil.copytree(
    "papers_output/paper.pdf/images",
    "paper_images"
)

# 元數據中包含圖片標題
with open("papers_output/paper.pdf/paper.pdf_metadata.json", "r") as f:
    metadata = json.load(f)

for page in metadata["pages"]:
    for block in page["blocks"]:
        if block["type"]=="image":
            print(f"圖片：{block['image']['caption']}")

效果展示：

• 公式識別準確率 93%
• LaTeX 格式完整保留
• 雙欄排版正確識別
• 圖片和圖表自動提取
• 圖表標題準確提取
• 參考文獻格式正確識別

案例三：多語言文件處理

場景描述：

跨國企業需要處理來自不同國家的合約文件，包括中文、英文、阿拉伯語、日語等多種語言。文件包含表單、簽名、印章、手寫條款。

實現步驟：

第一步：批次處理多語言檔案

chandra ./contracts ./contracts_output --method vllm --max-workers 4

第二步：檢測語言並分類

import langdetect
import os

contracts_dir = "contracts_output"
languages = {}

for contract_file in os.listdir(contracts_dir):
    if contract_file.endswith(".md"):
        # 讀取 Markdown 內容
        with open(os.path.join(contracts_dir, contract_file), "r") as f:
            content = f.read()

        # 檢測語言 (取前 1000 字元)
        language = langdetect.detect(content[:1000])

        # 分類統計
        if language not in languages:
            languages[language]=[]
        languages[language].append(contract_file)

# 輸出統計
for lang, files in languages.items():
    print(f"{lang}: {len(files)}份文件")

第三步：提取簽名和印章

import json

# 檢查所有文件的 JSON 元數據
for contract_file in os.listdir(contracts_dir):
    if contract_file.endswith("_metadata.json"):
        with open(os.path.join(contracts_dir, contract_file), "r") as f:
            metadata = json.load(f)

        # 查找簽名區域 (通常在底部)
        for page in metadata["pages"]:
            for block in page["blocks"]:
                if block["type"]=="text":
                    # 檢查是否包含簽名關鍵詞
                    text = block["text"].lower()
                    if "signature" in text or "簽署" in text or "簽字" in text:
                        print(f"找到簽名區域：{contract_file}")
                        print(f"座標：{block['bbox']}")

                if block["type"]=="image":
                    # 圖片可能是印章
                    print(f"發現圖片 (可能是印章): {contract_file}")
                    print(f"座標：{block['bbox']}")

效果展示：

• 中文識別準確率：94.8%
• 英文識別準確率：95.2%
• 阿拉伯語識別準確率：68.4%（低資源語言）
• 日語識別準確率：85.3%
• 表單複選框識別準確率：90%
• 手寫簽名識別準確率：82%

七、進階特性與技巧

1. GPU 加速配置

如果你有 NVIDIA 顯示卡，務必開啟 GPU 加速，速度會提升 3-5 倍。

檢查 CUDA 版本：

nvcc --version
nvidia-smi

安裝匹配版本的 PyTorch：

# CUDA 12.1 範例
pip install torch torchvision --index-url https://download.pytorch.org/whl/cu121

指定 GPU：

# 只用第 0 張卡
CUDA_VISIBLE_DEVICES=0 chandra input.pdf ./output

# 用第 1 張卡
CUDA_VISIBLE_DEVICES=1 chandra input.pdf ./output

2. 批次處理優化

處理大量檔案時，可以優化參數提升速度：

# 增加 worker 數 (根據 CPU 核心數調整)
chandra ./docs ./output --max-workers 8

# 增加批次大小 (根據 GPU 顯存調整)
chandra ./docs ./output --batch-size 4

# 處理特定頁面範圍
chandra large.pdf ./output --page-range "1-10,20-30"

3. 輸出格式選擇

不同場景選擇不同輸出格式：

Markdown：

• 適合：部落格文章、文件編輯、知識庫
• 優點：可讀性好，易於編輯
• 命令：chandra input.pdf output/

HTML：

• 適合：網頁展示、嵌入系統
• 優點：帶座標，便於標註
• 命令：chandra input.pdf output/（預設生成）

JSON：

• 適合：資料處理、自動化流程
• 優點：結構化，便於編程
• 命令：讀取.metadata.json檔案

4. 錯誤處理與除錯

常見問題：

問題 1：CUDA 版本不匹配

# 解決：重新安裝匹配的 PyTorch
pip uninstall torch
pip install torch torchvision --index-url https://download.pytorch.org/whl/cu121

問題 2：顯存不足

# 解決：減小批次大小或使用 CPU
chandra input.pdf output/ --batch-size 1
# 或
chandra input.pdf output/ --method hf

問題 3：PDF 渲染錯誤

# 解決：安裝 poppler
# macOS
brew install poppler

# Ubuntu/Debian
sudo apt-get install -y poppler-utils

八、效能對比與優勢

為了讓你更直觀地了解 Chandra OCR 2 的優勢，我整理了詳細的效能對比數據。

與主流 OCR 工具對比

硬體需求對比

真實場景測試結果

我們在 5 類文件上進行了實測，每類 10 頁，共 50 頁樣本：

可用率定義：輸出 Markdown 能否直接貼上到 Obsidian/Notion/Typora，無需大幅修改即可閱讀和引用。

核心優勢總結

1. 版面理解能力

• 唯一能真正理解文件結構的開源 OCR
• 多欄、嵌套表格、圖文混排完美處理
• 輸出可直接使用，無需二次排版

2. 結構化輸出

• Markdown、HTML、JSON 三種格式
• 帶完整座標和元數據
• 適合直接整合到自動化流程

3. 商業友善

• Apache 2.0 開源授權
• 模型權重對中小企業免費
• 可本地部署，資料安全可控

4. 性價比高

• 準確率超過 GPT-4o
• 本地運行，無需付費 API
• 4GB 顯存即可運行

5. 易用性強

• pip install chandra-ocr一行命令安裝
• CLI、Web 介面、Python API 三種方式
• 文件完善，社群活躍

九、最佳實務與建議

基於實際使用經驗，我總結了一些最佳實務：

1. 選擇合適的後端

vLLM 後端（推薦）：

• 適合：生產環境、批次處理、高效能需求
• 優點：速度快（0.9s/頁）、支持批次處理
• 缺點：首次啟動稍慢、需要 GPU

HuggingFace 後端：

• 適合：除錯、小批量處理、無 GPU 環境
• 優點：啟動快、易除錯
• 缺點：速度慢（3-5s/頁）

2. 檔案預處理

為了獲得最佳效果，建議預處理：

from PIL import Image
import cv2
import numpy as np

# 提升對比度
def enhance_contrast(image_path):
    img = cv2.imread(image_path)
    lab = cv2.cvtColor(img, cv2.COLOR_BGR2LAB)
    l, a, b = cv2.split(lab)
    clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))
    l = clahe.apply(l)
    enhanced = cv2.merge([l, a, b])
    enhanced = cv2.cvtColor(enhanced, cv2.COLOR_LAB2BGR)
    cv2.imwrite("enhanced_"+image_path, enhanced)

# 去噪
def denoise(image_path):
    img = cv2.imread(image_path)
    denoised = cv2.fastNlMeansDenoisingColored(img, None, 10, 10, 7, 21)
    cv2.imwrite("denoised_"+image_path, denoised)

# 自動旋轉
def auto_rotate(image_path):
    img = cv2.imread(image_path)
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    edges = cv2.Canny(gray, 50, 150, apertureSize=3)
    lines = cv2.HoughLines(edges, 1, np.pi/180, 100)
    if lines is not None:
        for rho, theta in lines[:1]:
            angle = theta * 180/ np.pi - 90
            if abs(angle)>45:
                angle = 90- angle
            M = cv2.getRotationMatrix2D((img.shape[1]/2, img.shape[0]/2), angle, 1)
            rotated = cv2.warpAffine(img, M, (img.shape[1], img.shape[0]))
            cv2.imwrite("rotated_"+image_path, rotated)

3. 輸出後處理

根據需求進行後處理：

import re

# 清理冗餘空白
def clean_whitespace(markdown):
    # 合併多個空行
    markdown = re.sub(r'\n{3}', '\n\n', markdown)
    # 刪除行尾空格
    markdown = re.sub(r' +$', '', markdown, flags=re.MULTILINE)
    return markdown

# 提取特定資訊
def extract_info(markdown):
    # 提取信箱
    emails = re.findall(r'[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2}', markdown)
    # 提取電話
    phones = re.findall(r'\d{3,4}[-.\s]?\d{7,8}', markdown)
    # 提取日期
    dates = re.findall(r'\d{4}[-/年]\d{1,2}[-/月]\d{1,2}[日]?', markdown)

    return {
        "emails": emails,
        "phones": phones,
        "dates": dates
    }

# 轉換格式
def md_to_html(markdown):
    import markdown
    html = markdown.markdown(markdown, extensions=['tables', 'fenced_code'])
    return html

4. 錯誤恢復

建立錯誤恢復機制：

import logging

# 配置日誌
logging.basicConfig(filename='ocr_errors.log', level=logging.ERROR)

def safe_process(input_path, output_path):
    try:
        result = chandra.process(input_path)
        result.save(output_path)
        return True
    except Exception as e:
        logging.error(f"處理失敗：{input_path}, 錯誤：{str(e)}")
        # 嘗試備用方案
        try:
            result = chandra.process(input_path, method="hf")
            result.save(output_path)
            return True
        except Exception as e2:
            logging.error(f"備用方案也失敗：{input_path}, 錯誤：{str(e2)}")
            return False

# 批次處理
for file in files:
    if not safe_process(file, output_dir):
        print(f"處理失敗：{file}")

十、常見問題解答

Q1: Chandra OCR 2 免費嗎？

A：程式碼採用 Apache 2.0 授權，完全免費開源。模型權重使用修改版 OpenRAIL-M 授權，對於研究、個人使用和年營收 200 萬美元以下的初創公司完全免費。更大的商業用途需要聯繫授權。

Q2: 需要什麼硬體配置？

A：最低配置 4GB 顯存（如 RTX 3060），推薦 8-12GB 顯存。如果沒有 GPU，可以用 CPU 運行，但速度會慢 10 倍以上。記憶體建議 16GB+，處理大 PDF 時更穩定。

Q3: 支持哪些語言？

A：官方支持 90+ 語言，包括中文（簡繁）、英文、阿拉伯語、日語、韓語、法語、德語等。測試數據顯示，中文識別準確率 94.8%，英文 95.2%，阿拉伯語 68.4%，日語 85.3%。

Q4: 和 GPT-4o Vision 相比如何？

A：綜合準確率 Chandra OCR 2 (85.9%) vs GPT-4o (69.9%)，表格識別 Chandra (88%) vs GPT-4o (70%)，數學公式 Chandra (80.3%) vs GPT-4o (74.5%)。Chandra 在結構化輸出和本地部署方面更有優勢。

Q5: 能處理手寫體嗎？

A：可以，手寫體識別準確率 90.8%。支持手寫批註、手寫簽名、手寫公式等。不過對於過於潦草的連筆字，準確率會有所下降。

Q6: 處理速度如何？

A：使用 RTX 3060 GPU，單頁平均 0.9 秒；使用 A100 GPU，單頁約 0.09 秒；使用 16 核 CPU，單頁約 1.2 秒。批次處理時，vLLM 後端支持並發，速度會更快。

Q7: 輸出格式有哪些？

A：支持 Markdown、HTML、JSON 三種格式。Markdown 適合文件編輯，HTML 適合網頁展示，JSON 適合資料處理。每種格式都保留完整的版面資訊。

Q8: 如何整合到自己的應用？

A：提供了 Python API，也支持 OpenAI 相容的 vLLM API。可以輕鬆整合到 Python 應用、Web 服務或自動化流程中。

Q9: 有 Web 介面嗎？

A：有，使用chandra_app命令啟動 Streamlit Web 介面。支持拖曳上傳、即時預覽、格式切換、一鍵匯出等功能。

Q10: 遇到問題怎麼辦？

A：可以查看 GitHub Issues，加入 Discord 社群，或參考官方文件。大部分問題都有解決方案，常見問題包括 CUDA 版本不匹配、顯存不足、PDF 渲染錯誤等。

https://cloud.siliconflow.cn/i/OmyFKL4n

機器學習演算法 AI 大數據技術

搜索公眾號添加：datanlp

長按圖片，識別二維碼

閱讀過本文的人還看了以下文章：

最頂尖的 OCR 演算法有哪些？

最強一鍵摳圖 19K star 的 Rembg 開源神器

即時語意分割 ENet 演算法，提取書本/票據邊緣

整理開源的中文大語言模型，以規模較小、可私有化部署、訓練成本較低的模型為主

《大語言模型》PDF 下載

動手學深度學習 -（李沐）PyTorch 版本

YOLOv9 電動車頭盔佩戴檢測，詳細講解模型訓練

TensorFlow 2.0 深度學習案例實戰

基於 40 萬表格數據集 TableBank，用 MaskRCNN 做表格檢測

《基於深度學習的自然語言處理》中/英 PDF

Deep Learning 中文版初版 - 周志華團隊

【全套視頻課】最全的目標檢測演算法系列講解，通俗易懂！

《美團機器學習實踐》_美團演算法團隊.pdf

《深度學習入門：基於 Python 的理論與實現》高清中文 PDF+ 原始碼

《深度學習：基於 Keras 的 Python 實踐》PDF 和程式碼

特徵提取與圖像處理 (第二版).pdf

python 就業班學習視頻，從入門到實戰項目

2019 最新《PyTorch 自然語言處理》英、中文版 PDF+ 原始碼

《21 個項目玩轉深度學習：基於 TensorFlow 的實踐詳解》完整版 PDF+ 附書程式碼

《深度學習之 pytorch》pdf+ 附書原始碼

PyTorch 深度學習快速實戰入門《pytorch-handbook》

【下載】豆瓣評分 8.1，《機器學習實戰：基於 Scikit-Learn 和 TensorFlow》

《Python 數據分析與挖掘實戰》PDF+ 完整原始碼

汽車行業完整知識圖譜項目實戰視頻 (全 23 課)

李沐大神開源《動手學深度學習》，加州伯克利深度學習（2019 春）教材

筆記、程式碼清晰易懂！李航《統計學習方法》最新資源全套！

《神經網絡與深度學習》最新 2018 版中英 PDF+ 原始碼

將機器學習模型部署為 REST API

FashionAI 服裝屬性標籤圖像識別 Top1-5 方案分享

重要開源！CNN-RNN-CTC 實現手寫漢字識別

yolo3 檢測出圖像中的不規則漢字

同樣是機器學習演算法工程師，你的面試為什麼過不了？

前海徵信大數據演算法：風險機率預測

【Keras】完整實現『交通標誌』分類、『票據』分類兩個項目，讓你掌握深度學習圖像分類

VGG16 遷移學習，實現醫學圖像識別分類工程項目

特徵工程 (一)

特徵工程 (二) :文本數據的展開、過濾和分塊

特徵工程 (三):特徵縮放，從詞袋到 TF-IDF

特徵工程 (四): 類別特徵

特徵工程 (五): PCA 降維

特徵工程 (六): 非線性特徵提取和模型堆疊

特徵工程 (七)：圖像特徵提取和深度學習

如何利用全新的決策樹整合級聯結構 gcForest 做特徵工程並打分？

Machine Learning Yearning 中文翻譯稿

不斷更新資源

深度學習、機器學習、數據分析、python

搜索公眾號添加：datayx