Surya｜多语言文档OCR与版面分析开发库

用途与定位

Surya 是 Datalab 维护的文档智能开发库，官方将其描述为一套轻量文档 OCR 与分析工具。它不是开箱即用的桌面软件，而是以 Python 包形式提供命令行工具和编程接口，需要自行准备推理后端和运行环境，通常用于构建批量文档解析、电子档案整理、版面还原等下游流程。

适合人群

适合需要把扫描件、PDF、截图转成结构化数据的开发者和数据处理团队，尤其是关心文字位置、版面区块和阅读顺序、而不只需要纯文本的场景。普通办公用户若只想上传文件取文字，官方另有托管平台，可直接体验，无需本地部署。

主要功能

• 文字识别：输出每个区块的 HTML 内容，公式包在 math 标签内，表格以 HTML 表格输出。
• 文字行检测：单独的小模型给出文本框、多边形与置信度。
• 版面分析：识别正文、标题、表格、图片、公式、页眉页脚、表单、目录、代码、化学式等区块，并给出阅读顺序。
• 表格识别：输出带合并单元格的 HTML 表格；行列表格几何信息依赖特定版本检查点，官方说明新版对简单模式会报错。
• 多语言：官方内部基准覆盖 91 种语言，总体通过率 74.9%，但各语言差异较大，中文、英文等表现明显好于部分语言。

输入与输出

输入可以是单张图片、PDF 或图片/PDF 文件夹，支持按页码范围筛选处理。输出为 JSON 文件，按文件名为键、以页为列表，包含区块标签、原始标签、阅读顺序、HTML、多边形与矩形框、置信度、是否跳过、是否出错等字段，另含整页图像坐标。可用参数保存标注后的页面图片。

获取与使用步骤

1. 按官方说明安装 Python 包。
2. 准备推理后端：NVIDIA GPU 需 Docker 与 NVIDIA Container Toolkit 以运行 vLLM；CPU 或 Apple Silicon 需 llama.cpp 的 llama-server 可执行文件。
3. 首次运行命令时，推理服务会自动启动；也可指定已有的服务地址。
4. 依次使用文字识别、检测、版面、表格等命令行子命令，或在自己的 Python 代码中调用对应预测器；同一管理实例可在多个预测器间共享。
5. 如需反复执行多条命令，可保留服务常驻以减少重复启动开销。
6. 官方还提供了一个交互式界面入口，需额外安装依赖，适合小规模试用。

示例任务：把一批扫描合同放进同一文件夹，运行文字识别并导出 JSON，再依据区块标签和阅读顺序重建段落；或对含合并单元格的财务报表单独运行表格识别，取得 HTML 表格后交给后续抽取流程。

运行环境与性能

官方给出参考吞吐：单张 H100 在 192 DPI 下约 4.5 页/秒，M4 Max 上以 llama.cpp 运行约 0.19 页/秒。这些是官方基准测试结果，不代表你的硬件与文档的实际表现。最低硬件要求、显存占用与具体安装命令请以官方文档为准，本站未做实测。

许可与商业使用

代码采用 Apache 2.0 许可。模型权重使用经过修改的 AI Pubs Open Rail-M 许可，官方说明研究、个人使用以及融资或营收低于五百万美元的初创公司可免费使用，更广泛的商业授权需按其定价页另行申请。代码许可与权重许可需分别核对，模型权重条款不因代码开源而自动放宽。

费用、国内访问与隐私

本地推理本身不产生调用费用，但需要自备算力；官方托管平台另行计费，并宣称每月有一定免费转换额度，具体额度、价格与账户条款待核查。国内网络能否顺利拉取镜像、模型权重与依赖待核查，可在内网镜像环境下评估。本地运行意味着文档不离开自有设备，但仍需注意日志与输出文件的存放权限；若改用托管服务，数据将发往第三方，须自行核对服务条款与合规要求。

来源与使用边界

官方仓库：https://github.com/datalab-to/surya

资料版本：https://github.com/datalab-to/surya/blob/9016f4211d9027c34dd40c2a6379ef5aa2baf002/README.md

维护方：datalab-to/surya；采集日期：2026-11-13。依据官方资料经AI整理，本站未安装、运行或实测。

许可标识：Apache-2.0，具体范围以原始许可文件为准；代码、模型权重、依赖及在线服务适用各自条款。开源不代表模型调用、托管或商业服务免费。国内访问、硬件及模型适配条件未经本站验证。