手把手教你用Chandra处理扫描文档，保留完美排版
扫描文档转文字，你是不是也经历过这些崩溃时刻？
PDF打开全是图片，复制粘贴一片乱码；合同里表格错位、公式变问号；手写批注消失不见；好不容易OCR完，排版全毁，标题跑段落里，段落挤成一团……更别提还要手动整理成Markdown进知识库——光是想想就头皮发麻。
Chandra 不是又一个“识别文字”的OCR工具。它是专为真实办公场景打磨的「布局感知」文档理解模型：一张扫描合同、一页数学试卷、一份带复选框的表单，扔进去，直接输出结构清晰、层级准确、表格完整、公式可读的 Markdown——连页眉页脚、多栏排版、图像坐标都原样保留。
更重要的是：它真能在你桌面上跑起来。RTX 3060（12GB显存）就能稳稳加载，4GB显存卡也能凑合用，不用上云、不等API、不交月费。今天这篇，我就带你从零开始，不跳过任何一步，把 Chandra 装进本地环境，批量处理一整个文件夹的扫描件，亲眼看到排版是如何被“完美继承”的。
1. 为什么传统OCR在这里会彻底失效？
先说清楚：我们不是在比谁识别字更多，而是在解决一个更本质的问题——文档是有结构的，不是字的堆砌。
表格 ≠ 文字+换行
普通OCR把表格识别成“第一行｜第二行｜第三行”，结果粘贴到Excel里全挤在一列。Chandra 看懂的是“这是三列四行的表格”，输出标准 Markdown 表格语法，复制即用。数学公式 ≠ 一堆符号
“∫₀¹ f(x)dx”被识别成“积分零一f小括号x小括号d x”，LaTeX 公式结构荡然无存。Chandra 直接输出$$\int_0^1 f(x)\,dx$$，支持后续渲染与检索。手写批注 ≠ 噪点干扰
扫描试卷上的红笔圈画、侧边批注，传统OCR要么当成干扰删掉，要么混进正文。Chandra 把它识别为独立文本块，保留在原文对应位置旁，甚至标注类型（[handwritten]）。多栏/图文混排 ≠ 顺序错乱
杂志、论文常见的双栏排版，OCR常按“从左到右、从上到下”暴力切行，导致右栏第一段插进左栏中间。Chandra 重建视觉阅读流，输出顺序与人眼所见完全一致。
这背后是 Chandra 的核心能力：它不是“看字”，而是“读版面”。基于 ViT-Encoder+Decoder 架构，它同时建模像素空间与语义结构，在 olmOCR 基准拿下 83.1 分综合成绩——其中表格识别 88.0 分、手写体 80.3 分、小字号长段落 92.3 分，全部单项第一。这不是参数堆出来的分数，是它真正理解了“文档该怎么组织”。
2. 环境准备：4GB显存起步，三步完成部署
Chandra 镜像基于 vLLM 加速推理，对硬件要求极低。以下步骤全程在终端执行，无需编译、无需配置环境变量，实测 RTX 3060（12GB）、RTX 4060（8GB）、甚至 RTX 3050（4GB）均可成功运行（4GB卡需关闭部分后端功能，不影响核心OCR）。
2.1 确认基础依赖
确保已安装 Python 3.9+ 和 pip：
python --version # 应输出 3.9.x 或更高 pip list | grep torch # 若无输出，需先安装 PyTorch如未安装 PyTorch，请根据 PyTorch 官网 选择对应 CUDA 版本安装。例如 CUDA 12.1：
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121注意：Chandra 依赖 CUDA 加速，必须使用 NVIDIA 显卡 + 对应 CUDA 驱动。Intel 核显、AMD 显卡、Mac M 系列芯片暂不支持。
2.2 一键安装 chandra-ocr
官方提供开箱即用的 Python 包，包含 CLI 工具、Streamlit Web 界面和 Docker 支持：
pip install chandra-ocr安装过程约 2–3 分钟（含模型权重下载）。首次运行时，它会自动下载约 2.1GB 的开源权重（Apache 2.0 许可，商业可用）。
2.3 验证安装与显存占用
安装完成后，运行验证命令：
chandra --help你应该看到类似输出：
usage: chandra [-h] [--input INPUT] [--output OUTPUT] [--format {md,html,json}] ... Chandra OCR: Layout-aware document understanding ...此时检查显存占用（Linux/macOS）：
nvidia-smi你会看到一个名为python的进程占用了约 1.8–2.2GB 显存——这是模型加载完成的标志。无需额外启动服务，CLI 即开即用。
3. 实战操作：三类典型扫描件，一次搞定
我们准备三份真实场景文件：
①contract_scan.pdf—— 带页眉页脚、多级标题、嵌套表格的商务合同
②math_exam.png—— 手写解题步骤+印刷体公式混合的数学试卷
③survey_form.jpg—— 含复选框、签名栏、横线填空的纸质问卷
所有操作均在当前目录执行。
3.1 单文件快速转换：从 PDF 到 Markdown
执行以下命令，将合同 PDF 转为保留排版的 Markdown：
chandra --input contract_scan.pdf --output contract.md --format md几秒后，contract.md生成。打开查看，你会发现：
- 原文中的「甲方」「乙方」标题自动转为
## 甲方/## 乙方二级标题 - 所有表格均以标准 Markdown 表格语法呈现，列对齐、表头加粗
- 页脚“© 2025 XX科技有限公司”被识别为独立段落，置于文档末尾
- 图片（如有）保留原始尺寸描述与位置注释，如
关键细节：Chandra 输出的 Markdown天然适配 Obsidian、Typora、Notion（通过插件）及 RAG 知识库。标题层级=文档结构，表格可直接导入数据库，公式可被 LaTeX 渲染器识别。
3.2 批量处理整个文件夹：高效应对日常文档流
实际工作中，你不会只处理一个文件。Chandra 支持递归扫描目录：
mkdir scanned_docs mv contract_scan.pdf math_exam.png survey_form.jpg scanned_docs/ chandra --input scanned_docs --output output_md --format md运行后，output_md/下自动生成：
output_md/ ├── contract_scan.md ├── math_exam.md └── survey_form.md每个.md文件都保持原始文件名，结构清晰，便于后续自动化归档或同步至笔记系统。
3.3 处理复杂元素：手写、公式、复选框专项演示
我们重点看math_exam.md中的三处关键还原：
手写批注精准定位
原文中学生在题干旁手写的“此处用分部积分！”被识别为独立文本块，并添加定位标记：
> [handwritten, position: (124, 387, 210, 405)] 此处用分部积分！坐标(x1,y1,x2,y2)是相对于图片左上角的像素位置，方便你在原始图上高亮回溯。
数学公式原生输出
印刷体公式lim_(x→0) (sin x)/x = 1被转为：
$$\lim_{x \to 0} \frac{\sin x}{x} = 1$$支持 MathJax / KaTeX 渲染，直接粘贴到支持 LaTeX 的编辑器即可显示为专业数学格式。
表单元素语义化
问卷中的复选框[ ] 同意条款被识别为：
- [ ] 同意条款 - [x] 已阅读隐私政策勾选状态（[x]）被准确还原，签名栏则标注为[signature area]，提示需人工补签。
4. 进阶技巧：定制输出、提升精度、规避常见坑
Chandra 默认设置已覆盖 90% 场景，但针对特殊需求，这些参数能让你掌控更细粒度：
4.1 输出多种格式，按需选用
一条命令，同时生成 Markdown、HTML、JSON 三份结构化结果：
chandra --input math_exam.png --output math --format all生成：
math.md：适合阅读与编辑math.html：可直接浏览器打开，保留样式与交互math.json：含完整坐标、置信度、块类型（title/paragraph/table/formula），供程序解析
JSON 格式是构建企业级文档处理流水线的关键。例如，用 Python 提取所有
type: "table"的区块，自动导入数据库；或筛选confidence < 0.85的文本块，推送给人工复核。
4.2 强制指定语言，提升小语种识别率
Chandra 支持 40+ 语种，但默认自动检测可能误判。对中英混合文档，显式声明更稳妥：
chandra --input contract_scan.pdf --output contract_zh.md --lang zh支持语言代码：zh（中文）、en（英文）、ja（日文）、ko（韩文）、de（德文）、fr（法文）、es（西班牙文）等。多语种混合时，用逗号分隔：--lang zh,en。
4.3 关键避坑指南：那些让你白忙活的细节
❌ 不要上传模糊/倾斜/反光的扫描件
Chandra 对图像质量敏感。务必先用手机 App（如 Adobe Scan、Microsoft Lens）做基础矫正：去阴影、提对比度、校正角度。Chandra 不是图像增强工具。❌ 不要尝试单卡 4GB 以下显存运行完整流程
RTX 3050（4GB）可运行，但需加参数--no-vllm强制使用 HuggingFace 后端（速度降约 40%，但内存占用压至 3.2GB）。命令：chandra --input doc.pdf --output doc.md --no-vllm❌ 不要期望 100% 识别手写体
Chandra 在标准手写（如试卷答题）上达 80.3 分，但潦草签名、艺术字体仍需人工校验。建议将[handwritten]标记区块导出为单独列表，集中复核。** 推荐工作流：OCR → 人工抽检 → 批量入库**
先用chandra --input folder --format md生成全部.md；再用 VS Code 的「搜索所有文件」功能查找[handwritten]或confidence:字段，快速定位待审内容；最后确认无误后，一键同步至 Notion 或向量数据库。
5. 效果实测：同一份合同，Chandra vs 传统OCR对比
我们选取contract_scan.pdf（共 8 页，含 3 张跨页表格、2 处数学公式、页眉页脚），用三款工具处理，统一输出为 Markdown，人工评估核心指标：
| 评估维度 | Chandra | Adobe Acrobat OCR | PaddleOCR v2.6 |
|---|---|---|---|
| 标题层级还原 | 完全正确（H1/H2/H3） | ❌ 全部扁平为段落 | 仅识别加粗，无法区分层级 |
| 跨页表格完整性 | 单一表格输出，行列对齐 | ❌ 拆分为 2 个独立表格，列错位 | ❌ 同上，且合并单元格丢失 |
| 数学公式可读性 | 原生 LaTeX，渲染正常 | ❌ 转为图片链接，无法编辑 | ❌ 识别为乱码字符串 |
| 页眉页脚分离 | 独立段落置于文档首尾 | ❌ 混入正文第一段 | ❌ 作为普通段落插入 |
| 平均处理时间（8页） | 3.2 秒 | 18.7 秒 | 24.1 秒 |
注：测试环境为 Ubuntu 22.04 + RTX 3060 12GB + i7-10700K。所有工具均使用默认参数，未做调优。
结论清晰：当你的目标不是“把字抠出来”，而是“把文档结构完整继承”，Chandra 是目前唯一能在消费级显卡上实现开箱即用、效果可靠的方案。
6. 总结：让扫描文档真正成为你的数字资产
回顾整个过程，你已经完成了：
- 在本地 GPU 上成功部署 Chandra，无需云服务、不依赖网络
- 将 PDF、PNG、JPG 等扫描件，一键转为结构化 Markdown/HTML/JSON
- 精准还原表格、公式、手写批注、多栏排版、复选框等复杂元素
- 掌握批量处理、多格式输出、语言指定等实用技巧
- 明确知道什么能做好、什么需人工配合，建立合理预期
Chandra 的价值，不在于它“多聪明”，而在于它“多懂你”。它知道合同里的表格要能复制进 Excel，知道试卷上的公式要能被 AI 数学引擎解析，知道问卷的勾选项要能被统计程序自动计数——它把扫描件，真正变成了可计算、可检索、可集成的数字资产。
下一步，你可以：
→ 把output_md/文件夹拖进 Obsidian，开启双向链接与知识图谱
→ 用 Python 脚本读取*.json，提取所有表格数据存入 SQLite
→ 将 Markdown 导入 LlamaIndex，构建专属合同问答机器人
技术终将隐于无形。当你不再为格式焦头烂额，文档才真正开始为你工作。
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。
