Indra OCR用CPU读取PDF与扫描件：速度、版面和许可要分开看

Indra OCR是Datalab在2026年10月发布的CPU文档识别项目。GitHub仓库创建于10月13日，10月23日查询时约有959颗星，最近一次更新为10月22日；最新Release为1.1.2，发布于10月20日。项目主识别器约1.25M参数，使用ONNX Runtime、OpenCV和pypdfium2，不要求GPU或PyTorch。它面向扫描件、图片和PDF的本地批量处理，也能读取数字PDF的文本层。

一份文档可走文本层、OCR或混合流程

默认auto模式会检查PDF文本层是否可信：可读的页面直接使用文本层，失效页面再进行OCR；也可用ocr强制识别整页，或用text只读取原有文字层。CLI可输出Markdown、纯文本或带行框、版面区块、置信度和耗时的JSON；Python接口提供page.lines、page.blocks、reading order和逐页计时。一个本地viewer还能显示行框、版面标签、Markdown与中间JSON，适合人工抽查失败页。

安装方式是pip install indra-ocr，首次运行会从Hugging Face下载约76MB的默认模型文件。Python要求3.10或更高版本；README列出的测试平台包括Linux x86_64、Linux aarch64和Apple silicon macOS，没有承诺Windows支持。大文件可用CLI限制核心数；默认并行会为可用核心开工作进程，因此跑批时要给其他服务保留资源。math选项会额外下载模型并把数学行转成LaTeX，但会降低速度。

速度与识别成绩来自项目方基准

项目README使用OmniParseBench 1.0.0rc1的16,288项检查、2,937页文档，在x86环境、每个引擎4个vCPU、同一批页面与评分器下报告headline 66.7、表格61.1、版面92.2，默认模式每页中位数212毫秒。项目方还报告32个CPU核心约43.9页/秒。基准方法也写明，多个比较引擎的数据来自同一批页面的不同运行；每次运行可能波动，预热模型没有计入时延。

读分数时要看子项而非只看headline。无math时Indra文本分46.7，低于README所列PaddleOCR PP-StructureV3的55.6；开启math后文本分为62.7，但表格成绩从61.1降到59.6，且每页中位时间增加到357毫秒。中文测试中Indra得64.0，低于所列PP-OCRv5 mobile中文文本模型65.4和PP-StructureV3的68.4。由此可见，它的亮点是CPU吞吐和版面输出组合，并非所有语言、表格或手写都最好。

哪些材料容易出错

README把复杂表格、连笔手写、旧化或低分辨率扫描、支持列表之外的文字系统列为主要限制。复杂合并单元格可能落错行列；手写评测只报告25.2%；退化扫描测试较弱；印地语等旧字体文本层还需要1.1.2新增的检测机制。数学识别默认关闭，极宽页面和工程图标注也可能读错。首次下载模型需要联网，缓存之后才适合离线批处理；加密PDF仍需密码，密码应通过本机安全方式传入而非写进共享日志。

还有一项不能忽略的许可分层：GitHub代码为Apache 2.0，但模型权重采用修改版OpenRAIL-M。README称权重许可允许研究、个人用途和融资或营收低于2000万美元的初创公司，并限制与Datalab API竞争的用途；更广泛商业授权需查看Datalab价格与模型卡条款。代码许可宽松不代表权重也同样宽松，商用前应单独确认模型许可版本、地区和业务模式。

结论：Indra OCR适合先在本机或CPU服务器对大量数字PDF、干净扫描件和多语种资料跑基准，再按页抽查文字、表格与版面结果。它特别适合对本地处理、部署轻量和吞吐敏感的原型；若目标资料以手写、严重褪色扫描、复杂合并表格或高精度数学为主，应与更强模型和人工复核方案比较。把官方基准作为筛选线索，再用自己的真实文档和许可清单做最终判断。

来源资料

• Indra OCR仓库与完整README
• Indra OCR 1.1.2发行说明
• Indra OCR变更日志
• OmniParseBench仓库
• 官方模型卡与权重文件
• 模型权重OpenRAIL-M许可
• Datalab商业许可说明