Chandra OCR零基础入门：5分钟搞定PDF转Markdown
Chandra OCR是2025年开源的布局感知型OCR工具，专为真实业务场景设计——不是“能识别文字”，而是“懂文档结构”。它能把扫描合同、数学试卷、带复选框的表单、手写笔记等复杂PDF，一键变成可直接进知识库的Markdown，保留标题层级、段落缩进、表格行列、公式符号甚至图片坐标。更关键的是，它不挑硬件：一张RTX 3060（12GB显存）就能跑起来，开箱即用，不用调参、不需训练。
本文不讲模型原理，不堆参数指标，只聚焦一件事：你打开电脑，5分钟内把一份扫描PDF变成干净、结构完整、能复制粘贴、能放进Obsidian或Notion的Markdown文件。全程无报错提示、无环境踩坑、无术语轰炸，就像安装微信一样简单。
1. 为什么这次OCR体验不一样
过去用OCR，常遇到这些尴尬：
- 表格识别成乱码段落，复制后完全没法用
- 公式变成一堆乱七八糟的LaTeX符号，还得手动重写
- 手写签名和旁边打印字混在一起，分不清谁是谁
- PDF里明明有三栏排版，输出却是一整坨文字，阅读体验极差
Chandra 的突破点不在“认得更准”，而在“看得更懂”——它把整页PDF当作一个视觉场景来理解，像人眼扫视一样识别标题、正文、脚注、表格边界、公式区域、手写批注位置。所以输出不是“文字流”，而是带语义结构的文档树，最终落地为真正可用的Markdown。
官方在olmOCR基准测试中拿到83.1分（满分100），其中：
- 表格识别准确率88.0%（当前SOTA）
- 老扫描件中的数学公式识别80.3%
- 小字号密集文本（如合同细则）达92.3%
更重要的是：它输出的就是Markdown，不是中间格式，不是需要再转换的JSON，不是要套模板的HTML——你双击打开，就是标准.md文件，标题是#，列表是-，表格是|---|，公式是$...$，图片带，连相对路径都帮你配好。
2. 零配置安装：一行命令，立刻开干
Chandra 提供了三种使用方式：本地HuggingFace推理、远程vLLM服务、以及本文主推的——预装vLLM的Docker镜像。对新手最友好的，就是这个镜像：它已内置vLLM运行时、CUDA驱动、模型权重和Web界面，你不需要知道什么是vLLM，也不用担心CUDA版本冲突。
前置条件：你的机器已安装Docker（Windows/Mac用户推荐Docker Desktop，Linux用户确保docker daemon已启动）
2.1 一键拉取并启动镜像
打开终端（命令行），执行这一行：
docker run -p 7860:7860 --gpus all -v $(pwd)/chandra_output:/app/output ghcr.io/kakajiang/chandra:latest说明：
-p 7860:7860：把容器内Web服务映射到本机7860端口--gpus all：自动调用所有可用GPU（支持单卡/多卡，RTX 3060/4090均可）-v $(pwd)/chandra_output:/app/output：把当前目录下的chandra_output文件夹挂载为输出目录（自动创建）ghcr.io/kakajiang/chandra:latest：官方维护的稳定镜像（Apache 2.0许可，可商用）
执行后你会看到类似这样的日志滚动：
INFO | Starting vLLM engine... INFO | Loading model weights... INFO | Model loaded in 12.4s (VRAM used: 3.8 GB) INFO | Launching Streamlit app on http://0.0.0.0:7860成功标志：最后一行出现http://0.0.0.0:7860—— 这说明服务已就绪。
2.2 打开浏览器，开始第一次转换
在浏览器地址栏输入：http://localhost:7860
你会看到一个简洁的Web界面（无需登录、无账号、无联网验证）：
- 左侧是上传区：支持拖拽PDF或图片（PNG/JPEG），也支持批量上传多个文件
- 中间是参数区：默认设置已针对中文文档优化，新手完全不用改任何选项
- 右侧是实时预览区：上传后自动开始处理，几秒内显示Markdown渲染效果
小技巧：首次使用建议上传一页带表格的PDF（比如课程大纲、产品说明书），亲眼看看表格是如何被原样还原为Markdown表格的——这是检验“布局感知”能力最直观的方式。
3. 第一次实战：把扫描PDF变成可编辑Markdown
我们以一份常见的《员工入职登记表》扫描件为例（含打印字段+手写填空+复选框+页眉页脚），演示完整流程。
3.1 上传与识别
- 点击界面左侧「Upload Files」区域，选择你的PDF文件（支持多页PDF）
- 等待右上角进度条走完（单页平均耗时1–3秒，取决于GPU性能）
- 右侧预览区立即显示结构化结果：
- 标题自动识别为
# 员工入职登记表 - “姓名”“身份证号”等字段识别为二级标题
## 姓名 - 手写填写内容出现在对应标题下方，未与打印文字混淆
- 复选框被标注为
[x]或[ ]（支持自动识别勾选状态） - 表格区域完整保留为Markdown表格，行列对齐精准
- 标题自动识别为
3.2 下载与验证
点击右上角「Download Markdown」按钮，文件将保存为xxx.md（文件名与PDF同名）。
用任意文本编辑器打开该文件，你会看到：
# 员工入职登记表 ## 基本信息 | 字段 | 内容 | |------|------| | 姓名 | 张明 | | 性别 | 男 | | 出生日期 | 1995-03-12 | ## 教育背景 - [x] 本科 - [ ] 硕士 - [ ] 博士 ## 紧急联系人 **姓名**：李华 **关系**：配偶 **电话**：138****1234验证点：
- 所有标题层级正确（
#→##→-） - 表格语法标准，可直接粘贴进Typora/Obsidian渲染
- 复选框是纯文本
[x]，非图片，可直接编辑 - 没有乱码、没有错位、没有缺失段落
这就是Chandra的“零思考成本”价值：你不需要判断哪段是标题、哪列是数据、哪个框被勾选了——它已经替你做好了语义切分。
4. 进阶但实用的3个操作技巧
虽然默认设置已覆盖90%场景，但以下三个技巧能帮你应对更复杂的文档需求，且全部在Web界面中点选即可完成，无需命令行。
4.1 精确控制处理范围：跳过封面/只处理指定页
很多PDF前几页是封面、目录、版权声明，不需要OCR。Chandra支持页面级控制：
- 在上传后，点击右上角「Page Range」输入框
- 输入格式：
2-10（处理第2到第10页）、1,3,5（只处理第1、3、5页）、5-（从第5页到末尾） - 修改后点击「Reprocess」，仅重新处理指定页，不重复计算已处理页
实用场景：处理100页的招标文件，只需OCR技术规格章节（第12–45页），跳过商务条款和附件。
4.2 输出增强：保留原始图像与坐标信息
默认输出只含Markdown，但Chandra还能输出更多结构化资产：
- 勾选「Include Image Assets」：自动提取PDF中所有嵌入图片，保存至
output/images/子目录，并在Markdown中插入正确路径 - 勾选「Export JSON Layout」：额外生成
xxx_layout.json，包含每个文本块的坐标（x,y,width,height）、字体大小、是否为标题等元数据，方便后续做RAG切片或可视化对齐
实用场景：构建法律文档知识库时，JSON坐标可用于高亮原文定位；教育场景中，可把学生手写作答区域单独裁剪分析。
4.3 中文专项优化：启用“竖排文本”与“繁体兼容”
Chandra对中文支持做了深度适配：
- 默认启用「Chinese Layout Mode」：自动识别竖排古籍、证书、对联类文档，输出为自适应Markdown（竖排转为段落+换行）
- 内置繁体字词典：可准确识别港台PDF中的“裡”“為”“綫”等字，无需额外切换语言
- 手写体增强：对中文签名、批注、草书连笔字，采用独立分支识别路径，准确率比通用OCR高23%（基于内部测试集）
实用场景：处理港澳台地区合同、古籍扫描件、教师手写评语PDF，无需预处理或人工校对。
5. CLI模式：当你要批量处理整个文件夹时
Web界面适合单次调试和小批量验证，但当你有几十份PDF要处理（比如月度财务凭证、季度项目报告），命令行更高效。Chandra CLI与镜像完全兼容，无需额外安装。
5.1 在容器内直接运行CLI
保持上一步的docker容器运行（不要Ctrl+C），新开一个终端窗口，执行：
# 进入正在运行的容器 docker exec -it $(docker ps -q --filter ancestor=ghcr.io/kakajiang/chandra:latest) bash # 批量处理当前目录下所有PDF，输出到/output/batch chandra /app/input /app/output/batch --method vllm注意：
/app/input是容器内固定输入路径，你需要先把PDF文件复制进去：docker cp ./my_pdfs/. $(docker ps -q --filter ancestor=ghcr.io/kakajiang/chandra:latest):/app/input/
5.2 输出结构一目了然
批量处理完成后，/app/output/batch/下会生成按文件组织的结构：
batch/ ├── invoice_2024Q3.pdf/ │ ├── invoice_2024Q3.md # 主Markdown文件 │ ├── invoice_2024Q3.html # 同步HTML（带CSS样式） │ ├── invoice_2024Q3_layout.json # 布局元数据 │ └── images/ # 提取的所有图片 ├── report_research.pdf/ │ ├── report_research.md │ └── ...每个.md文件都已按最佳实践格式化：标题层级清晰、表格对齐、公式包裹在$$中、图片路径相对正确——你可直接拖进Notion或Obsidian，开箱即用。
6. 常见问题速查：5分钟内解决95%问题
| 问题现象 | 原因 | 解决方案 |
|---|---|---|
| 上传后无反应，界面卡在“Processing…” | GPU显存不足（常见于RTX 3060以下显卡） | 在Web界面右上角「Advanced」中，将Max Batch Size从默认4改为1，或勾选「Use CPU Fallback」（速度慢3倍，但必成功） |
| 表格识别错行，内容挤在第一列 | PDF扫描质量差（模糊/倾斜/低对比度） | 上传前用手机扫描App（如CamScanner）先做“增强”处理，或勾选Web界面中的「Preprocess: Auto-enhance」 |
| 中文显示为方块□□□ | 字体缺失（仅影响HTML预览，不影响Markdown） | 忽略。Markdown文件本身是UTF-8纯文本，所有编辑器均正常显示；HTML预览问题不影响实际使用 |
| 手写部分完全没识别出来 | 手写区域太小或颜色太淡 | 在「Advanced」中开启「Handwriting Boost」模式（专为中文手写优化，增加0.8秒处理时间） |
| 输出Markdown中公式是乱码 | 公式区域被误判为普通文本 | 手动在Web预览区点击该公式→右键「Refine as Math」，系统会重新识别并插入$$...$$ |
终极提示：Chandra不是“完美OCR”，而是“足够好用的OCR”。它的设计哲学是：宁可少识别一行，也不错识一个字；宁可跳过一个模糊表格，也不输出错位行列。因此，首次结果不满意时，请优先尝试调整预处理选项，而非怀疑模型能力。
7. 总结：你刚刚掌握了什么
你不需要记住ViT架构、不用理解vLLM调度原理、不用配置CUDA版本——你只需要知道：
- 一行
docker run命令，就能在本地跑起工业级OCR服务 - 上传PDF → 看预览 → 下载
.md→ 粘贴进笔记软件，全程5分钟 - 表格、公式、手写、复选框，全部原样变成可编辑Markdown语法
- 批量处理、页面筛选、图像提取、坐标导出，全在点选之间完成
- 中文场景深度优化，繁体、竖排、手写，开箱即用不翻车
Chandra的价值，不在于它有多“AI”，而在于它有多“省心”。它把OCR从一项需要调参、校验、修复的技术活，还原成文档工作者的一个自然动作：看到PDF，就想把它变成Markdown。
现在，你的第一份扫描合同已经躺在chandra_output/文件夹里，是一个干净、结构清晰、可搜索、可引用、可协作的Markdown文件。接下来，轮到你自己的文档了。
获取更多AI镜像
想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。
