stgarf/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。它旨在解决纸质文档的固有问题：缺乏搜索功能、占用物理空间以及备份困难。通过OCR（光学字符识别）技术处理扫描文档，将文本内容索引到数据库中，用户可通过Web界面轻松搜索、管理和下载所需文档。本镜像为Paperless的分支版本，包含对issue https://github.com/danielquinn/paperless/issues/447%E7%9A%84%E4%BF%AE%E5%A4%8D%E3%80%82

核心功能和特性

• OCR文本识别：利用Tesseract进行字符识别，将扫描图像转换为可搜索文本。
• 文档索引与管理：将处理后的文档索引到本地数据库，支持通过Web界面高效搜索。
• 图像优化：集成Unpaper进行图像去噪和校正，ImageMagick实现图像格式转换（彩色/灰度）。
• 加密支持：通过GNU Privacy Guard加密原始文件，保护敏感文档安全。
• Web前端界面：提供直观的Web界面，用于浏览、搜索和下载文档。

使用场景和适用范围

• 个人文档管理：处理个人账单、收据、合同等纸质文档，实现数字化存储与快速检索。
• 小型办公场景：帮助小型团队管理发票、报表、客户资料等，减少物理文件存储需求。
• 需要文档备份的场景：通过数字化归档替代纸质备份，降低备份成本和空间占用。

工作原理

Paperless不直接控制扫描仪，仅处理扫描仪生成的文件，工作流程如下：

1. 配置扫描仪：选择支持网络输出的扫描仪（参考扫描仪推荐），设置为自动扫描至网络位置（如FTP），或手动将扫描文件放入Paperless的消费目录。
2. 文档处理：运行Paperless消费脚本，对文件进行OCR识别、图像优化，并将处理结果索引到本地数据库。
3. 文档检索：通过Web前端访问数据库，搜索所需文档并下载PDF。

依赖要求

Paperless基于以下工具和库构建：

• 核心工具：
  • ImageMagick：图像格式转换
  • https://github.com/tesseract-ocr%EF%BC%9AOCR%E6%96%87%E6%9C%AC%E8%AF%86%E5%88%AB
  • Unpaper：图像去噪与校正
  • GNU Privacy Guard：文件加密
• Python及库：
  • Python 3：项目开发语言
  • Pillow：图像处理
  • https://github.com/jflesch/pyocr%EF%BC%9ATesseract%E7%9A%84Python%E5%B0%81%E8%A3%85
  • Django：Web框架
  • Python-GNUPG：GPG解密支持

项目状态

• 自2015年发布以来，已有大量用户使用，在德国尤为流行。
• 作者不再进行新功能开发，但会接受Pull Request并在Issue队列中回答问题。用户可提交新功能建议或PR以扩展功能。

关联项目

• https://github.com/thomasbrueggemann/paperless-desktop%EF%BC%9A%E8%B7%A8%E5%B9%B3%E5%8F%B0%E6%A1%8C%E9%9D%A2UI%EF%BC%8C%E6%94%AF%E6%8C%81Mac%E3%80%81Linux%E5%92%8CWindows%E3%80%82
• https://github.com/ovv/ansible-role-paperless%EF%BC%9A%E9%80%9A%E8%BF%87Ansible%E5%BF%AB%E9%80%9F%E9%83%A8%E7%BD%B2Paperless%E7%9A%84%E8%A7%92%E8%89%B2%E3%80%82

类似项目

Mayan EDMS：与Paperless技术栈相似（基于Django，使用Tesseract和Unpaper），功能更丰富但基于Python 2。Paperless资源消耗可能更低，名称更简洁。

重要注意事项

• 数据安全：扫描文档通常包含敏感信息（如社保号、税务记录等）。Paperless加密原始文件，但OCR文本需保持可搜索性，因此以明文存储。
• 部署建议：切勿在不可信主机上运行，建议部署在本地家庭服务器以确保数据安全。

文档与支持

完整文档见ReadTheDocs，社区支持可通过Gitter获取。