简介
Surya 是 Datalab 开源的一套文档 AI 工具链，集 OCR、版面分析、阅读顺序检测与表格识别于一体。凭借对多语言和复杂版面的出色处理能力，它常被用于构建文档解析与 RAG 数据管线。
核心功能
- 多语言 OCR：覆盖 90+ 种语言
- 版面分析：识别标题、段落、图注
- 阅读顺序：还原多栏排版逻辑
- 表格识别：结构化提取表格内容
- 公式提取：转 LaTeX 数学表达式
适用场景
- 学术论文与书籍数字化
- 发票、报表等结构化提取
- 多语言文档批量处理
优缺点
优点：
- 语言覆盖广、精度高
- 版面理解能力强
- 免费开源可本地部署
缺点：
- 需要 GPU 获得最佳性能
- 安装配置有一定门槛
使用技巧
- 批量处理时启用 GPU 加速
- 结合表格与版面模块提取结构化数据
- 输出结果直接接入向量数据库构建 RAG
