做书籍数字化，最怕的不是字认不出来，而是结构丢了。

扫描版 PDF 往往是图片。传统的 OCR 引擎（如 Tesseract）是基于简单的启发式规则（Heuristic Rules）来判断行合并的。这就导致了著名的 “栏间隙失效” 问题：只要两栏中间的空白不够宽，OCR 就会无视它，直接横着读过去。

Surya 的核心优势在于，它不猜。它用 Segformer（一种基于 Transformer 的语义分割模型）直接去“看”页面的结构。它能输出每个文本块的 bbox 以及它们在逻辑上的 Reading Order（阅读顺序）。

1. 核心机制：它是怎么分栏的？

Surya 的工作流和传统的 OCR 不同，它是两条线并行的：

  1. Text Detection：找出哪里有字。
  2. Layout Analysis：找出哪里是 Header，哪里是 Footer，哪里是 Image，最重要的是——哪里是分栏界线。

在多列书籍中，Surya 会生成一个 Heatmap（热力图）。在这个热力图上，栏与栏之间的“沟”是非常明显的低响应区域。Surya 根据这个热力图切割文本块，然后根据垂直和水平位置，计算出一个 rank（排序），这就保证了它能先读完左栏，再读右栏。

2. 代码实战：提取分栏后的文本

安装就不废话了，pip install surya-ocr，记得配好 PyTorch 和 CUDA，因为这玩意儿吃显存。

下面这段代码展示了如何处理一张典型的双栏扫描页，并按正确的阅读顺序打印文本：

Python

from PIL import Image
from surya.ocr import run_ocr
from surya.model.detection import segformer
from surya.model.recognition.model import load_model
from surya.model.recognition.processor import load_processor
import numpy as np

def process_multicolumn_page(image_path):
    # 1. 初始化模型 (生产环境建议全局加载，不要放在函数里)
    # 检测模型负责找框和排序
    det_processor, det_model = segformer.load_processor(), segformer.load_model()
    # 识别模型负责读字
    rec_model, rec_processor = load_model(), load_processor()

    # 2. 加载图片
    image = Image.open(image_path)

    # 3. 运行 OCR + 布局分析
    # Surya 会自动处理 Reading Order
    predictions = run_ocr([image], [["en", "zh"]], det_model, det_processor, rec_model, rec_processor)
    
    result = predictions[0]
    
    # 4. 结构化输出
    # result.text_lines 已经按照 Reading Order 排好序了
    # 这一点至关重要！
    
    print(f"--- 处理页面: {image_path} ---")
    print(f"检测到 {len(result.text_lines)} 行文本")
    
    # 简单的可视化逻辑：判断左右栏
    img_width = image.size[0]
    mid_point = img_width / 2
    
    left_column = []
    right_column = []
    
    for line in result.text_lines:
        # line.bbox = [x1, y1, x2, y2]
        center_x = (line.bbox[0] + line.bbox[2]) / 2
        
        # 简单归类一下，方便调试
        if center_x < mid_point:
            left_column.append(line.text)
        else:
            right_column.append(line.text)

    print("\n=== 左栏内容 (Top 5) ===")
    print("\n".join(left_column[:5]))
    
    print("\n=== 右栏内容 (Top 5) ===")
    print("\n".join(right_column[:5]))

    # 实际存库时，直接存 result.text_lines 的顺序即可
    return result

if __name__ == "__main__":
    # 找一张双栏的论文或扫描书测试
    process_multicolumn_page("scanned_book_page.jpg")

3. 实测表现与“坑”

我在一批 1990 年代的计算机技术书籍扫描件（分辨率一般，有噪点，双栏排版）上跑了测试，结论如下：

表现好的地方（Pros）：

  • 分栏极其准确：即使是两栏中间没有黑线分割（只有空白），Surya 也能精准切开，不会发生“文字粘连”。
  • 页眉页脚剔除：Layout 模型能识别出 Header/Footer。在做 RAG 清洗时，你可以根据 label 直接丢弃这些无关信息，这比写正则去匹配页码要稳得多。
  • 图文混排：如果书里插了一张图，文字绕着图排（Text Wrapping），Surya 通常能按照人类的阅读逻辑跳过图片继续读。

坑点（Cons）：

  • 显存杀手：处理高清扫描图（比如 A3 幅面的 600DPI），显存占用很容易飙到 4G 以上。如果在 T4 (16G) 上跑，Batch Size 稍微大点就 OOM。
  • 对弯曲敏感：书脊处的文字往往是弯曲的（Page Curl）。Surya 的 Segformer 对这种几何形变的纠正能力不如 TextIn 或专门的 Dewarping 算法。如果字弯得太厉害，Detection 框可能会切歪。
  • 速度权衡：虽然号称快，但开启 Layout Analysis 后，它比单纯的 Detection 要慢一些。如果你的书全是单栏的，没必要上 Surya，PaddleOCR 足矣。

4. 优化建议

如果你要在生产环境（比如电子书加工流水线）上线 Surya，有几个工程化建议：

  1. 预处理裁剪：如果扫描件有黑边（扫描仪盖板造成的），一定要先切掉。黑边会严重干扰 Segformer 的热力图生成，导致整页布局判断失误。
  2. 按需降级：先用轻量级分类器判断页面是否为多栏。如果是单栏小说，直接切到 PaddleOCR（CPU 都能跑）；如果是多栏期刊，再调起 Surya。
  3. Chunking 策略：在入库向量数据库时，直接利用 Surya 返回的 text_lines 顺序进行拼接。千万别自己按坐标 y 轴去排序，那是自找麻烦。

总结

Surya 不是为了替代 Tesseract 而生的，它是为了解决 “机器看不懂排版” 这个问题而生的。

在扫描版书籍、论文、报纸这种强结构化、多列布局的场景下，Surya 是目前 Python 生态里能拿到的最趁手的开源工具。它把“版面分析”这个曾经需要昂贵商业 SDK 才能做的事，变成了几行代码就能搞定的工程模块。