属于大家的
VPS知识分享站

Paperless-ngx:香港节点文档归档与 OCR

合同、发票、说明书散在网盘和邮箱里,找一张要翻半小时;扫描件还是图片,搜关键词搜不到。Paperless-ngx 想解决的就是“把纸变成能搜的档案”。

Paperless-ngx 是什么

Paperless-ngx 是开源的文档管理系统:扫描件自动 OCR、打标签、分类、全文搜索,支持邮件和文件夹导入。它不替代网盘,替代的是“文件夹 + 文件名”的管理方式。

部署组件

官方 Docker Compose 一套起,核心组件:

  • Web:界面和 API
  • Consumer:监听导入目录,跑 OCR
  • Postgres:元数据和全文索引
  • Redis:队列
  • Gotenberg/Tika:Office 文档转换和解析

2 核 4G 起步,文档多就加内存和磁盘;OCR 吃 CPU,批量导入时更明显。

git clone https://github.com/paperless-ngx/paperless-ngx.git
cd paperless-ngx/docker/compose
docker compose up -d

导入和 OCR

把文件丢进 consume 目录,consumer 会自动处理;也可以配邮件收取或 API 上传。OCR 语言在环境变量里设:

PAPERLESS_OCR_LANGUAGE=chi_sim+eng

中英混排要同时装语言包,不然中文识别会乱;扫描质量差时先调分辨率,别指望 OCR 硬救。

文档堆与 OCR 扫描线
中英混排要装 chi_sim+eng。

标签和分类

三个维度够用:

  1. Correspondent:谁发的,供应商、客户、银行
  2. Document type:合同、发票、保单、说明书
  3. Tags:项目、年份、状态

标签别建太多,先按业务分;后期用规则自动匹配,减少手工。

Postgres、Redis 与导入目录
数据库和原件一起备份。

存储和备份

文档原件、缩略图、数据库和配置都要备;只备数据库,原件丢了也白搭。

docker compose exec -T db pg_dump -U paperless paperless > paperless.sql
tar czf media-$(date +%F).tar.gz media/
tar czf data-$(date +%F).tar.gz data/

备份加密后放异地;恢复时先恢复数据库,再恢复 media,最后起服务。

香港节点与文档盒、搜索镜
香港做内部入口,位置按合规定。

香港节点

文档管理是内部工具,延迟要求不高,但扫描上传和搜索体验要看位置。

  • 香港:大陆团队访问快,适合内部档案
  • 新加坡:东南亚团队近
  • 德国:欧盟数据合规

文档可能含合同和身份信息,放哪要按合规定;别把客户资料随手放公网实例。

安全

  • HTTPS 和强密码,管理员开 2FA
  • 关闭公开注册,按用户分权限
  • 上传目录限制类型和大小
  • 定期备份并做恢复演练
  • 升级前看 release notes

邮件导入

可以配 IMAP 自动收附件,发票和账单直接进库;规则先小范围试,别把垃圾邮件也收进来。

搜索

全文搜索依赖 OCR 和索引;搜不到先看识别文本,再查标签和日期过滤。

权限

按用户分可见范围,财务和人事文档单独授权;别让所有成员都是管理员。

升级

升级前备份数据库和 media,先看 release notes;大版本可能重建索引。

成本

存储和 OCR 是主要成本;扫描件大,磁盘要留余量,冷数据可以转对象存储。

扫描仪

支持网络扫描仪推送到 consume 目录;扫描分辨率 300dpi 够用,太高文件大、OCR 慢。

自动规则

按发件人、关键词自动打标签和类型;规则先观察一段时间,别一上来全自动分类。

移动端

手机浏览器能上传和搜索;要拍照扫描,配第三方扫描 App 再上传,体验更好。

容量规划

按每月新增页数和保留年限算磁盘;OCR 文本和缩略图也占空间,别只算原件。

OCR 质量

扫描歪了、对比度低,识别率就掉;先摆正、去底色,再调语言包,别只怪软件。

标签体系

标签是检索的骨架,先定年度、项目、状态三类;后期改标签成本很高,别随手建。

API

可以用 API 对接报销、合同系统;写入前做去重,别让同一份文档进库两次。

文档去重

同一份文件重复导入会占空间;用校验和或标题查重,导入前先过滤。

存储后端

原件可以放对象存储,数据库仍在本机;备份时两边都要覆盖。

恢复

先恢复数据库,再恢复 media,最后重建索引;顺序错了搜索会空。

权限模型

按角色分查看、上传、管理;财务和人事单独分组,别用一套权限覆盖全公司。

工作流

导入、OCR、打标签、归档是一条链;每一步都可能失败,日志要能定位到文件。

监控

看队列积压、OCR 失败率和磁盘;批量导入时最容易堵。

先导入一批真实文档,再谈自动化和规则;样本太少,规则一定错。

先小批量导入,确认 OCR、标签和搜索都对,再全量迁移。

先让一个人用一周,确认搜索和标签顺手,再推广到全团队。

先把一批文档跑顺,再谈全量和自动化。

先把 OCR 和搜索跑通,再谈自动分类;样本不够,规则一定偏。

先把扫描、OCR、搜索跑通,再谈自动化,好。

先把文档管起来,再谈流程自动化;顺序反了,只会多一堆错标签。

先把一批真实文档跑顺,再谈全公司推广。

先把文档管起来,再谈自动化。

先跑通一个部门,再推广。

先把一个部门跑顺,再复制到全公司。

先把文档管起来,再谈自动化。

常见问题 FAQ

Q1:Paperless-ngx 能替代网盘吗?

不能完全替代。它擅长归档和检索,不适合多人实时协作编辑。

Q2:中文 OCR 准吗?

装 chi_sim 语言包,扫描清晰时可用;手写和低分辨率仍会错。

Q3:香港节点合适吗?

大陆团队访问快,适合内部档案;数据合规按业务定。

Q4:要多大配置?

2 核 4G 起步,OCR 批量导入时 CPU 会满;文档多就加内存和磁盘。

Q5:能商用吗?

看许可证;商用前确认授权、数据位置和隐私合规。

总结

Paperless-ngx 的价值是归档和全文搜索:consume 目录导入、OCR 中英语言包、三类标签、数据库和原件一起备份。香港做内部入口,文档位置按合规定。

需要一台文档服务器,可以按小时开一台萤光云香港 CN2 VPS,先把 OCR 和备份跑通。

扫描件和 OCR 结果都要进备份,别只备份数据库。

相关推荐

赞(0)
未经允许不得转载:VPS知识分享站 » Paperless-ngx:香港节点文档归档与 OCR