从线条到结构化文档：Indra OCR 阅读顺序模型与版式块如何工作（快速指南）

Indra OCR 是一个只有约 100 万（1M）参数的 OCR 模型，全程在 CPU 上运行，速度约为 Tesseract 的 15 倍，输出质量接近 1B 级大模型。它不只是把扫描件变成一串文字——Indra OCR 还会给每一行文字算出阅读顺序，把它们归入带标签的版式块（章节标题、正文、列表、表格……），最终产出结构化的 Markdown 或 JSON 文档。这篇文章带你走一遍这套机制：从一行行检测出来的文字，到带顺序、带结构的文档输出。

一条流水线：从文字行到结构化文档

Indra OCR 的处理分为五步（核心实现在 indra_ocr/pipeline.py）：

det.onnx（检测文字行、图片区域）
  → rec.onnx（逐行识别文字）
  → order.onnx（阅读顺序 + 版式块）
  → 组装 markdown / JSON

模型文件很小（默认约 76 MB，首次运行自动下载并缓存），其中负责"顺序 + 版式"的是 order.onnx（文件清单见 indra_ocr/models.py）。它不输出任何坐标，只做三件事：

1. 成对排序：判断任意两行"谁在前、谁在后"；
2. 行分类：给每行打 10 种类别之一的概率；
3. 同块判断：判断两行是否属于同一个版式块。

理解这三件事，就理解了 Indra OCR 如何"读懂"版面。

阅读顺序模型：不排序，先问"谁在前"

直觉的做法是给每行打一个"序号分"再排序，但多栏页面、脚注、侧边文字会让这种线性打分失效。Indra OCR 的 order.onnx 用的是成对比较：输入每行 16 个特征（10 个几何特征 + 6 个文本特征，定义在 indra_ocr/order_post.py 中）：

• 几何：行框在页面上的相对坐标、宽高比、行高相对中位数的偏差；
• 文本：文本长度、数字占比、是否以项目符号/编号开头、是否以句末标点结束、是否以大写字母开头、是否连字符断行。

模型输出一个 [N, N] 的 logit 矩阵，a[i, j] > 0 表示"第 i 行在第 j 行之前"的概率更高。

解码：行和和 + 插入式局部搜索（decode_order()）：

1. 先用每行的"前于他人概率和 − 后于他人概率和"得到一个初始排列；
2. 🔁 反复把每一行取出、插回到"使成对关系总概率最大"的位置，扫若干轮直到不再改进。

插入式搜索比相邻交换强得多：它能把一整段（比如某栏被排错的尾巴）一次性挪到远处正确位置，而逐次交换要挪很多步。

版式块：先聚块，再排块

有了"谁与谁同块"的判断后，decode_blocks_order() 分三步组装阅读顺序：

1. 聚类成块：对"同块"logit 做平均链接聚类——把两两平均概率高于 0.5 的组不断合并。与连通分量不同，一两条误判不会把两个大块误并；
2. 块内定序：普通块按 XY-cut（找最宽的空白间隙递归切分）；Table、Form、Table-Of-Contents 这类网格块则按"从上到下、从左到右"逐行读；
3. 块间排序：块与块之间取"平均成对排序 logit"，再走一遍上面的插入式搜索。

模型同时给每行输出 10 个版式块类别的概率（BLOCK_CLASSES）：

标签	含义
Text	正文段落
Section-Header	章节标题
Page-Header / Page-Footer	页眉 / 页脚
List-Group	列表
Table	表格
Caption	图注
Footnote	脚注
Table-Of-Contents	目录
Form	表单

一个块的最终标签，取块内所有行类别概率之和的 argmax（page_blocks()），保证标签与分块一致。

从版式块到 Markdown：每类块各有一套渲染规则

Markdown 组装在 layout_post.py 中，规则直白：

• Section-Header → ## 标题文字；
• Text / Caption 等 → 合并为一个段落；tumori- + genesis 会接回 tumorigenesis，两个 CJK 字符之间断行则不加空格（join_lines()）；
• List-Group → 每行一个条目，遇到项目符号或编号自动开新条目；
• Table → 组装成 HTML 表格：按垂直中心把单元格聚成行、用"最满的行"估计列边界、跨列自动补 colspan（table_html()）；
• Page-Header / Page-Footer → 默认丢弃，--keep-furniture 保留。

如果表头模型判断"同一单元格"的置信度足够，还可以直接用行/列/单元格三个头的 logits 聚类出单元格（table_html_heads()）；一旦校验发现它把并排的行错误合并（heads_plausible()），就自动退回上面的几何法——模型出错时有几何兜底。

特殊方向：竖排、倒置与从右到左

• 竖排页面（中文、日文竖排）：方向模型 orient.onnx 识别出竖排后，页面被逆时针转 90°，每个竖列变成一行交给 CJK 识别器；竖排页不走排序模型，改由 XY-cut 分块（xycut_blocks()，测试见 tests/test_vertical_order.py），读完后所有框坐标再映射回原页面，page.vertical 置为 True；
• 倒置/倾斜：倾斜搜索（最大 45°）+ 90° 整数旋转，把页面摆正后再检测；
• 从右到左（阿拉伯语、希伯来语等）：整页先做水平镜像，让"第一栏"变成右边那一栏，排序照常进行，识别出的文字再用逻辑顺序翻转（indra_ocr/rtl.py）。

查看版式块与阅读顺序：JSON 输出和本地查看器

想直接看模型输出了什么？两条路：

indra-ocr scan.png --format json   # 每行、每个版式块 + 阅读顺序 + 置信度
indra-ocr-viewer                   # 本地 Web 查看器，http://localhost:8765

JSON 里每页都有 lines（按阅读顺序排列的 Line(box, text, conf)）和 blocks（按阅读顺序排列的 {"label", "bbox", "text"}）。查看器则把线条、版式块和阅读顺序直接画在页面上，还能与 Tesseract 的结果对照。可运行示例见 examples/ocr_image.py 与 examples/quickstart.ipynb。

性能与局限：快速，但要选对场景

在 32 核 CPU 上约 44 页/秒，约为 Tesseract 的 15 倍、PaddleOCR 文本模型的 10 倍。不过它面向干净印刷体优化，以下场景不适合：

• 复杂表格（合并单元格、跨行跨列、无线框）可能把单元格放错行列；
• 手写页可读但不准（连笔和淡铅笔最弱）；
• 老旧、褪色、低分辨率扫描件表现较差。

这类高难度文档，官方建议走 Datalab 平台上更大的模型。

小结

Indra OCR 的"结构感"来自一个极小的 order.onnx：成对排序 + 插入式搜索决定阅读顺序，平均链接聚类 + 10 类行分类决定版式块，几何规则（XY-cut、表格行列对齐）兜底并负责最终渲染。这套设计让它只有几 MB 的模型体积，也能在纯 CPU 上把多栏论文、带表格的期刊页读成结构正确的 Markdown。