pitkley/paperless

Paperless 镜像文档

镜像概述和主要用途

Paperless 是一个用于索引和归档扫描纸质文档的工具，旨在解决纸质文档管理的痛点：缺乏搜索功能、占用物理空间、备份困难等。它通过OCR（光学字符识别）技术将扫描的文档转换为可搜索的文本，存储在本地数据库中，并提供Web界面方便用户浏览、搜索和下载文档。

重要项目状态说明：原项目（the-paperless-project/paperless）已归档为只读，作者推荐关注活跃维护的分支 https://github.com/jonaswinkler/paperless-ng%E3%80%82%E8%8B%A5%E5%81%8F%E5%A5%BD%E5%8E%9F%E5%A7%8B%E7%89%88%E6%9C%AC%EF%BC%8C%E5%8F%AF%E5%9F%BA%E4%BA%8EGPL%E8%AE%B8%E5%8F%AF%E8%AF%81%E8%BF%9B%E8%A1%8Cfork%E5%92%8C%E4%BD%BF%E7%94%A8%E3%80%82

核心功能和特性

• 文档索引与搜索：通过OCR技术将扫描文档转换为可搜索文本，支持全文搜索
• Web前端界面：提供直观的Web界面，用于浏览、管理和下载文档
• 自动处理流程：监控指定消费目录，自动对新文档进行OCR、去噪（despeckle）、校正（deskew）处理
• 文档加密：使用GNU Privacy Guard (GnuPG) 加密存储原始文件，保护敏感信息
• 依赖工具集成：整合ImageMagick（图像转换）、Tesseract（OCR引擎）、Unpaper（图像优化）等工具

依赖组件

Paperless基于以下工具和技术构建：

• 图像处理：ImageMagick、Unpaper
• OCR引擎：Tesseract
• 加密：GNU Privacy Guard (GnuPG)
• 后端：Python 3、Django框架
• Python库：Pillow（图像处理）、PyOCR（Tesseract包装器）、Python-GNUPG（GnuPG集成）

使用场景和适用范围

适用于需要管理大量纸质文档的个人或家庭用户，例如：

• 处理账单、发票、银行对账单等财务文档
• 归档证件、合同、***记录等重要文件
• 管理学术论文、书籍扫描件等资料
• 任何需要搜索和长期保存纸质文档的场景

使用方法和配置说明

基本工作流程

1. 设置扫描仪：配置扫描仪将扫描文件（图像或PDF）自动传输到服务器的指定目录（消费目录），或手动将文件复制到该目录
2. 运行消费脚本：Paperless监控消费目录，自动对新文件执行OCR、图像优化和索引操作
3. 访问Web界面：通过浏览器访问Paperless Web界面，搜索、浏览和管理文档

部署建议

由于项目已归档，建议参考以下资源获取详细部署指南：

• 官方文档：ReadTheDocs
• 活跃分支：https://github.com/jonaswinkler/paperless-ng%EF%BC%88%E6%8E%A8%E8%8D%90%E7%94%A8%E4%BA%8E%E6%96%B0%E9%83%A8%E7%BD%B2%EF%BC%89

重要安全注意事项

• 敏感文档处理：扫描的文档通常包含敏感信息（如社保号、税务记录），尽管原始文件会加密存储，但OCR文本以明文形式存储（需支持搜索）
• 部署环境：切勿在不可信主机上运行Paperless，建议在本地家庭服务器部署，确保数据安全

相关项目

• Paperless App：Android/iOS移动应用，https://github.com/bauerj/paperless_app
• Paperless Desktop：跨平台桌面客户端（Mac/Linux/Windows），https://github.com/thomasbrueggemann/paperless-desktop
• ansible-role-paperless：Ansible角色部署工具，https://github.com/ovv/ansible-role-paperless
• paperless-cli：Golang命令行工具，https://github.com/stgarf/paperless-cli

类似项目

• Mayan EDMS：功能更丰富的文档管理系统，同样基于Django和Tesseract，但仍使用Python 2，官网