Indra OCR 教程:CPU 本地文档解析实战与 Tesseract 对比评测

做 RAG 的朋友最近都在骂同一件事：知识库入库那一步，Tesseract 一页要好几秒，PaddleOCR 完整流水线一页能跑几十秒，上视觉大模型吧，又贵、又偶尔一本正经地胡说八道。做文档数字化的、批量处理发票合同的，卡的也是同一个地方：OCR 这一步，又慢又重。

一句话讲清：Indra OCR 是做 Marker 那个团队 Datalab 在 10 月 13 日刚开源的 OCR 工具，识别模型只有约 100 万参数，纯 CPU 跑，不用 PyTorch，一条命令就能把 PDF 或图片变成带版式、带阅读顺序的 Markdown。建仓 7 天攒下 680 多个 star，今天这篇把它的真实水平、十分钟上手、四个官方亲口承认的坑，一次讲透。

datalab-to/indra

它到底快在哪：先把数字摆出来

官方把基准做得相当老实，数据来自 OmniParseBench（2937 页、16288 个测试），同一台机器同一批页面跑的：

吞吐量（同一批 300 页，单核单进程）：32 核 43.9 页/秒，4 核 6.2 页/秒——是 Tesseract 的 15 倍、PaddleOCR 文本模型的 10 倍。官方博客还测了不同机型，32 核在 25～51 页/秒之间浮动。

第三方也有人实测过（Medium 上一篇 8 分钟的对比）：整齐英文文档上 Indra 确实领先 Tesseract 和 PaddleOCR，表格也能用；但页面倾斜 7 度之后，它的表格结构就明显吃力了。所以"快"是真的，"准"是有边界的，往下看。

诚实说一句中文表现：官方中文测试 136 项，Indra 64.0 分，PaddleOCR 中文模型 65.4，PP-StructureV3 68.4。中文识别它略输一筹，差距不大但别吹过头。

十分钟上手：真就三步

环境要求很友好：Python 3.10 以上，Linux（x86_64/aarch64）和 macOS（Apple silicon）都行，不装 PyTorch，第一次运行自动下载约 76MB 的模型。

第一步，安装：

pip install indra-ocr

第二步，转一份 PDF 试试，Markdown 直接打到终端：

indra-ocr paper.pdf                    # markdown 输出到终端
indra-ocr paper.pdf --format text      # 纯文本，一行一条
indra-ocr scan.png --format json       # 行坐标、版式块、置信度全要

第三步，批量。把一堆 PDF 丢进文件夹，一人一核并行跑，一个长 PDF 也会吃满所有核：

indra-ocr *.pdf --out results/         # 每个输入一个 .md
indra-ocr *.pdf --out results/ --cores 8
indra-ocr paper.pdf --math             # 公式转 LaTeX，默认关闭
indra-ocr paper.pdf --mode ocr --timings  # 强制全页 OCR 并打印耗时

还有个我很喜欢的本地调试页，版式、阅读顺序、每行的置信度都能可视化看，调参数前先看一眼：

indra-ocr-viewer --port 8765           # 打开 http://localhost:8765

文件全在你自己机器上。顺带一提，它有个很聪明的设计：电子版 PDF 会直接读文本层，只有缺失的部分才 OCR（--mode 可切 auto/ocr/text 三档），这也是它日常用起来飞快的原因之一。

viewer 打开后建议先看三样东西，十分钟就能帮你判断这工具适不适合你的文档：第一看阅读顺序线，双栏论文、左右分栏的杂志最容易在这里翻车，线走错了后面分块全错；第二看表格块的标签，简单网格表会被标成 Table，复杂表如果被拆成一堆小 Text 块，说明这份文档不适合它；第三看每行的置信度，低置信度的行集中在页眉页脚水印区是正常的，集中在正文区就是文档质量问题。--timings 参数会把每一页"走了文本层还是 OCR、每步花了多少毫秒"打到终端，调优的时候很有用。

给 RAG 入库的一条现成管线

几千页的大批量用 convert_many，多进程并行，注意 macOS 和 Windows 下要包在 if __name__ == "__main__": 里，这是官方 README 特别提醒的：

import indra_ocr

if __name__ == "__main__":                # macOS / Windows 必备
    for path, result in indra_ocr.convert_many(["a.pdf", "b.pdf"], cores=None):
        if isinstance(result, indra_ocr.InputError):
            continue                     # 读不了或加密的文件跳过
        for i, page in result:
            print(path, i, page.source)

page.source 会告诉你这一页走了文本层（text）还是 OCR，入库时可以按这个字段打质量分；page.blocks 是版式块（标题、列表、表格、脚注都有 label），按阅读顺序排好，做 chunking 时直接按块切，比按固定字数切干净得多。

从 Tesseract 迁过来的朋友注意三处习惯差异：第一，Indra 默认输出是带版式的 Markdown，不是纯文本，下游解析器要跟着改；第二，它不下载语言包，第一次运行自动从 Hugging Face 拉约 76MB 模型，内网机器记得配代理或用 --model-dir 指定本地目录；第三，工程图纸里的标注文字常被识别成小表格，超宽的横幅式页面读得很差——这类版式先用 viewer 抽查几页再决定。

Python 里调用也很顺手，JSON 输出直接喂给分块和向量化：

import indra_ocr

conv = indra_ocr.load(threads=4)
for i, page in conv.convert("paper.pdf"):
    print(page.source, page.timings["total_ms"])  # 走了文本层还是 OCR
    print(page.markdown)                           # 标题、列表、表格
    page.blocks    # 版式块：label、bbox、text，按阅读顺序
    page.lines     # 每行的坐标与置信度

先泼四盆冷水：官方亲口承认的局限

README 里有个 Limitations 章节，写得比很多竞品的宣传页都诚实，照着翻译给你：

• 复杂表格别指望
  ：合并单元格、跨行文字、嵌套表头、无框线表格，单元格容易串行串列。简单网格表没问题
• 手写体很弱
  ：手写测试只有 25.2%，潦草和淡铅笔最惨
• 破扫描件不行
  ：老旧褪色、低分辨率的降质扫描，29.5%
• 公式默认是纯文本
  ：数学公式想转 LaTeX 得加 --math，而且开了之后表格分数会掉 1.5 分、速度慢约三成

再补两个实操细节：超过 1 亿像素的大页面会被降采样，小字可能丢；竖排中文它能读（整列右到左），但竖排扫描不如横排准。

到底该不该用：一张选型清单

直接用它：RAG 入库、批量文档数字化、发票合同批量抽取——干净印刷体、量大、没 GPU、要快、要 Markdown/JSON 结构化输出。

别用它：手写病历、古旧档案、复杂财报表格、公式密集的论文（除非你开 --math 且接受变慢）。这些场景去看它哥 Chandra（Datalab 自家高精度模型，走托管 API），或者老老实实上视觉大模型。

还有个 license 的坑，商用前必看：代码是 Apache 2.0 随便用，但模型权重是改版 OpenRAIL-M——研究、个人、融资或营收 2000 万美元以下的初创免费，且不能拿来跟官方 API 竞争。大公司法务先过一遍再上生产。

一句话收尾：如果你现在的 OCR 链路是"Tesseract 凑合用"，Indra 值得花十分钟替换试试；Python 里 indra_ocr.load 加 convert_many 就是现成的批量管线，RAG 入库这一步的成本能砍掉一大截。