Indra OCR 实测：1M 参数的本地 OCR 很香，但我被模型下载卡住了

BCS联盟
0 阅读6分钟

Indra OCR 实测：1M 参数的本地 OCR 很香，但我被模型下载卡了两回

写这篇的时候是 2026 年 10 月。Indra OCR 刚发布没几天（10 月 13 日），我拿它想给自己写的一个本地求职记录工具加「截图识别岗位」功能。工具本身挺香，但环境和模型下载前前后后把我卡了两回——先是国内网络下不动，下完了又发现中文一个字都识别不出来。记录下来给后面想尝鲜的朋友避坑。

为什么是它

我在做一个纯本地的求职记录小工具（HTML + Python 本地服务），想加一个功能：用户把 BOSS 直聘的岗位截图扔进来，自动识别出公司名、岗位、薪资、工作地点，省得手打。

需求很明确：

  • 本地跑，截图不能传云，隐私；
  • 中文识别要准，岗位卡片全是中文；
  • 轻量，不想为了个 OCR 装 1GB 的 PyTorch；

之前考虑过的几个方案：

方案问题
Tesseract中文准确率拉胯，排版稍乱就不行
PaddleOCR准是准，但一上来就一堆依赖，动辄几个 G
云端 OCR（百度/阿里）要 API Key、要联网、截图传出去

然后刷到了 Datalab 发的 Indra OCR，几个数字一下抓住我：

  • 1M 参数的小模型；
  • 不依赖 PyTorch，走 onnxruntime；
  • CPU 上号称 49 页/秒，单页延迟 ~230ms；
  • 支持中文简繁；
  • 输出不只是文字，还有排版块、坐标框、阅读顺序，可以直接给 markdown。

这几乎是为我这种小工具量身定做的。装！

快速上手

安装本身很简单：

pip install indra-ocr

装完后依赖列出来一看，心里踏实了——onnxruntime、opencv-headless、pypdfium2、huggingface_hub，没有 PyTorch、没有 TensorFlow。整个包轻得不像话。

Python API 也很直接：

import indra_ocr

conv = indra_ocr.load()  # 第一次会下载模型

for idx, page in conv.convert("job_card.png"):
    for line in page.lines:
        print(line.text)

注意：convert() 返回的是生成器，每个元素是 (索引, Page) 元组，不是直接拿 Page 对象。我一开始按官方文档写 for page in conv.convert(...)，报 'tuple' object has no attribute 'markdown'，翻了半天才发现要解包。

到这里一切都很美好。然后真正的坑开始了。

坑一：pip 装完了，python 找不到模块

第一条报错：

ModuleNotFoundError: No module named 'indra_ocr'

我当时是在一个带沙箱的命令行环境里跑的，pip install 装到了系统的 Python313，但直接敲 python 调用的是沙箱自带的另一个 Python。两个 Python 不是一个家，pip 装的东西自然找不到。

排查方法很简单：

(Get-Command python).Source
(Get-Command pip).Source

一看路径对不上就明白了。解决办法是用系统 Python 的完整路径跑脚本：

& "C:\Users\xxx\AppData\Local\Programs\Python\Python313\python.exe" your_script.py

教训：在带沙箱/虚拟环境的机器上，pip 和 python 不一定是同一个环境。装完包第一时间 python -c "import 包名" 验证一下，别着急往下走。

坑二：模型下载，才是真的地狱

indra_ocr.load() 第一次运行要从 HuggingFace 拉模型。我以为这事儿 30 秒能搞定，结果：

第一轮：直连 huggingface.co

ConnectTimeout: [WinError 10060] 连接方在一段时间后没有正确答复

国内网络直连 HuggingFace，懂的都懂。

第二轮：换 hf-mirror 镜像

设了环境变量：

$env:HF_ENDPOINT="https://hf-mirror.com"

小文件 HEAD 请求开始疯狂重试，大文件走的是 HuggingFace 的 xethub CDN（cas-server.xethub.hf.co），这个域名镜像站没覆盖，直接 401。也就是说镜像能帮你下元数据和小文件，但真正的模型权重文件它绕不过去。

后来我让有代理的流程帮忙下了 5 个基础文件（det.onnx、rec.onnx、order.onnx、lm.npz、meta.json）到本地目录 D:\models\indra-ocr\，设环境变量 INDRA_OCR_MODEL_DIR=D:\models\indra-ocr 绕开在线下载。

模型加载是成功了，1.9 秒。但跑识别一看——中文全没了。

坑三：中文一个字都识别不出来

这是最坑的。我拿一张清晰的中文测试图去识别，结果：

Javast
18-20K
4 5-10
XXX 09:00-18:00

英文和数字都对，中文汉字一个都没有。

我翻了 indra_ocr 的源码（pipeline.py）才搞明白：Indra 的识别器是分脚本组的，基础包只带拉丁字母识别器（rec.onnx），中文需要单独的三个文件：

文件作用大小
script.onnx脚本分类器，判断每行是中文还是英文191KB
rec_cjk.onnx中文识别器10.2MB
lm_cjk.npz中文语言模型（beam search 用）19MB

这三个文件在 HuggingFace 仓库里有，但默认下载列表里没列全。我用 huggingface_hub 库走镜像把它们补下到模型目录后，重新跑：中文全部正确。

教训：Indra 的多语言是"基础包 + 语言包"模式，不是一个模型包打天下。要用中文，除了基础的 5 个文件，还得手动补 script.onnx、rec_cjk.onnx、lm_cjk.npz 这三个 CJK 专用文件。

最终集成效果

补全模型后，我把 OCR 接口接进了本地工作台：

  • 后端 POST /api/ocr：接收截图 → indra_ocr 识别 → 返回文本
  • 前端「📷 截图录入」按钮：上传 BOSS 岗位卡片截图 → 自动正则提取公司、岗位、薪资、地点、学历、HR → 打开新增表单预填

实测 BOSS 移动端岗位卡片截图识别结果：

公司、岗位、薪资、地点、学历、HR 全部识别出来，正则提取后自动填进表单，省得手打。

和老方案对比一下

官方 benchmark 里的数据，我搬过来结合自己感受说：

维度Indra OCRTesseractPaddleOCR PP-Structure
单页耗时~230ms~5500ms~41000ms
依赖大小轻（onnxruntime）中重（含 PyTorch）
中文支持✅ 简繁（需补 CJK 模型）一般✅
布局/表格识别✅❌✅
输出 markdown✅❌部分
CPU 友好✅✅一般
国内模型下载难（需手动补文件）一般一般

看表格 Indra 几乎全赢，但这个"赢"是建立在你把模型文件凑齐的前提上。下不下来、文件没补全，再好也白搭。

它不适合什么

客观说几个局限：

  • 手写体识别基本不行（官方自己说的，8% 左右）；
  • 复杂表格（多级表头、合并单元格）结构会乱；
  • 阿拉伯文、泰文、日文假名这些在图片 OCR 模式下不支持，只能处理数字 PDF 的文本层——但中文在支持列表里，我们不受影响；
  • 多语言要补对应模型文件，不是开箱即用；
  • 太新了（我写这篇时才发布 10 天），API 可能变，遇到问题只能去 GitHub 提 issue。

总结

Indra OCR 是我最近见过的最适合塞进个人小工具的 OCR：轻、快、中文好、输出结构化，不绑架你的环境。如果你在做本地笔记、文档解析、截图提取这类小项目，它值得一试。

但现在（2026 年 10 月）有两个坑要提前知道：

  1. 国内网络下模型难：huggingface.co 直连超时，hf-mirror 镜像大文件走 xethub CDN 401。建议挂代理一次性下完，或者手动从镜像把文件拉到本地目录，用 INDRA_OCR_MODEL_DIR 指定；
  2. 中文要补 CJK 模型：基础包只有拉丁识别器，中文需要额外下 script.onnx、rec_cjk.onnx、lm_cjk.npz 三个文件，放同一个目录里。

凑齐文件后就是纯本地离线工具，截图识别岗位、文档提取文字都很香。

标签：OCR、Python、本地部署、开源工具、Indra、中文识别

avatar
文章
阅读
粉丝