开源的3D互动数字人聊天，你的二次元AI助理吗点击上方蓝字关注我们
IT 咖啡馆，探索无限可能！
恭喜你发现了这个宝藏，这里你会发现优质的开源项目、IT知识和有趣的内容。
现在的工作中经常会有需要识别图片或PDF中文字的需要，尤其是大模型相关，海量的数据需要OCR处理。
今天我们分享的开源项目，是支持多语言的OCR工具包，可以帮你解决很多日常的需要，它就是：Surya
Surya 是什么
Surya 是一个文档 OCR 工具包，这是一个印度老哥的项目，项目的名字来源于印度教的太阳神，他具有宇宙视野。Surya支持 90 多种语言的 OCR，支持行级文本检测，支持布局分析，可以处理复杂的文档类型，如含有多列文本、图像和表格的文件，适用于自动化文档处理和数据提取场景。其功能如下：
支持 90 多种语言的 OCR，与云服务相比具有优势
任何语言的行级文本检测
布局分析（表格、图像、标题等检测）
阅读顺序检测
表格识别（检测行/列）
性能对比
对于Surya来说，它的特色能力表现在处理包含复杂表格和多语言内容的文档方面。可以考虑通过它来解决满足的场景需要。根据项目给出的数据，在和云服务商的对比中，有着非常好的表现。
OCR
OCR
tesseract
Google Cloud Vision
文本行检测
安装 Surya
最简单的方式就是使用 pip来安装 Surya，您需要 Python 3.10+ 和 PyTorch。如果您使用的不是 Mac 或 GPU 机器，则可能需要先安装 CPU 版本的 torch。
pip install surya-ocr
另外项目提供了一个 streamlit 应用程序，可让您以交互方式在图像或 PDF 文件上使用 Surya。使用以下命令运行它：
pip install streamlitsurya_gui
第一次运行 surya 时，模型权重将自动下载。有一些权重是会需要从huggingface下载，所以需要提前配置好网络。
使用Surya
如果是基本使用，可以直接通过刚刚安装的streamlit程序来使用，安装完成后会在8501端口运行一个服务器。
选择语言
首先可以选择希望使用的语言，选择语言可以提升OCR的准确性。
选择一个希望执行OCR的文件。
左侧可以选择的识别动作包括：
文本检测
OCR
布局分析
阅读顺序
表格识别
OCR
以OCR为例，识别速度还不错，我这个基本的文档识别准确度也可以。
测试了一下英文论文，带公式的，识别的效果也还不错。
代码使用
也可以在自己的代码中使用Surya，以下是 一段参考的代码示例
from PIL import Imagefrom surya.ocr import run_ocrfrom surya.model.detection.model import load_model as load_det_model, load_processor as load_det_processorfrom surya.model.recognition.model import load_model as load_rec_modelfrom surya.model.recognition.processor import load_processor as load_rec_processorimage = Image.open(IMAGE_PATH)langs = ["en"] # Replace with your languages - optional but recommendeddet_processor, det_model = load_det_processor(), load_det_model()rec_model, rec_processor = load_rec_model(), load_rec_processor()predictions = run_ocr([image], [langs], det_model, det_processor, rec_model, rec_processor)
表格识别
总结
整体而言，Surya是一个非常不错OCR工具，识别的速度和准确性都很不错，上手也是比较容易的，所以如果你想自己 搞一个OCR的工具，那这个是不错的选择。需要注意的是，Surya的开源协议相对复杂，个人和研究不受限制，但商业使用会受到一些限制，需要自己仔细查看一下。
项目信息
项目名称：Surya
GitHub 链接：https://github.com/VikParuchuri/surya
Star 数：12K
