Paperless-ngx 中文识别实战中文 OCR、日期解析与界面汉化一次配好【免费下载链接】paperless-ngxA community-supported supercharged document management system: scan, index and archive all your documents项目地址: https://gitcode.com/GitHub_Trending/pa/paperless-ngxHR 专员把一整箱劳动合同扫描件丢进 Paperless-ngx想搜劳动合同归档结果搜索框空空如也——因为默认的 OCR 只带英文语言包。本文带你完成三件事Paperless-ngx 中文 OCR 配置、中文日期解析、界面汉化全程约 15 分钟。 为什么默认配置读不懂中文Paperless-ngx 底层用 OCRmyPDF 驱动 Tesseract 引擎做文字识别而 Tesseract 是靠语言包工作的每个语言包就像一份字典没装中文那份字典引擎面对中文扫描件只能输出空白或乱码字符。发行版默认只附带英文包所以中文文档入库后全文索引里根本不存在发票合同这些词——不是你搜的姿势不对是引擎压根没把字认出来。下面先让服务跑起来再把中文这份字典装上。 启动服务完成 chi_sim 中文 OCR 配置先用 Docker 单命令拉起完整服务docker run -d \ -p 8000:8000 \ -v /your/data:/usr/src/paperless/data \ -v /your/media:/usr/src/paperless/media \ -v /your/consume:/usr/src/paperless/consume \ --name paperless-ngx \ paperlessngx/paperless-ngx参数作用-d后台运行容器-p 8000:8000映射 Web 端口浏览器访问http://localhost:8000-v .../data数据库持久化目录升级时不能丢-v .../media文档原件与缩略图存放位置-v .../consume收件箱文件丢进来即自动 OCR 入库浏览器打开首页后把一份中文扫描件复制进consume目录稍后它会被自动消费——但此时内容大概率搜不到接下来补上关键配置。chi_sim 怎么填在environment里加两行改完重启容器生效environment: - PAPERLESS_OCR_LANGUAGEchi_simeng # 识别语言 连接多语言主语言放前面 - PAPERLESS_OCR_LANGUAGESchi_sim eng # 容器启动时自动安装缺失的语言包两个要点下划线不是笔误。Tesseract 代码里中文写作chi_sim写成chi-sim会直接报错官方文档特意加了一条警告见 docs/configuration.md。PAPERLESS_OCR_LANGUAGES只在 Docker 部署需要启动时由 init-tesseract-langs 脚本逐个检查缺哪个就 apt 装哪个。语言包装多少可按量级预估1 种约 10MB 以内2~3 种约 30MB5 种以上会到 100MB 左右且识别耗时会随语言数明显上升。单一语言环境不必贪多。顺序写反会怎样文档以中文为主却写成engchi_simTesseract 会倾向英文模型优先命中结果中文条款整段识别为空而英文页眉页脚反而正常——排查时先看语言顺序再怀疑包没装。反过来以英文为主、夹中文段落就写成engchi_sim让占多数的语言站在前排。 两字母 zh 和三字母 chi_sim 别搞混中文日期解析dateparser 的 zhOCR 解决字是什么日期解析解决这句话里的日期是哪天。后者由 dateparser 库负责它用的是两字母代码和 OCR 的三字母 ISO 639-2 编码是两套体系environment: - PAPERLESS_DATE_PARSER_LANGUAGESzhen配好后2026年8月30日这类中文写法能被提取成文档的 Created 日期。不显式设置时系统会尝试从PAPERLESS_OCR_LANGUAGE推断逻辑见 src/paperless/utils.py但显式写死最稳避免推断失败时日期字段留空。消费完合同类文档进编辑页看一眼左侧日期是否自动填对没填对再回头查配置。界面汉化Settings 里选简体中文后端与前端翻译文件已随项目内置src/locale/下覆盖 zh_CN 在内的 50 多种语言。进入 Settings → General → Language 选择简体中文即可整站切换且每个用户独立选择互不干扰。✅ 验收清单三类文档过一遍纯中文扫描件把一份中文票据拷进consume等它入库 → 搜索框输入票面词汇应在结果中命中并高亮匹配词点开可预览原件 → 若没有结果先查PAPERLESS_OCR_LANGUAGE是否含chi_sim、改配置后是否重启过容器。中英混合合同消费后打开编辑页 → 正文两种语言都能搜到Created 自动填上文中写明的日期 → 若日期为空先查PAPERLESS_DATE_PARSER_LANGUAGES是否写成zhen。邮件附件自动入库在 Emails 页面建一条收件规则指定邮箱与附件处理方式 → 新邮件到达几分钟后附件应自动带上标题和日期出现在列表 → 若无动静先看规则状态和系统日志里的拉取记录。️ 排错速查现象最常见原因一步修复动作中文搜不到全文为空或乱码PAPERLESS_OCR_LANGUAGE仍是默认eng或代码误写chi-sim改为chi_sim下划线重启容器后重新消费文档容器起不来日志报语言包安装失败PAPERLESS_OCR_LANGUAGES启动时 apt 装包rootless 模式无权限用 root 运行容器或自构镜像预装tesseract-ocr-chi-sim日期字段为空或填错dateparser 只按英文理解2026年8月30日不识别显式加PAPERLESS_DATE_PARSER_LANGUAGESzhen并重启 适用边界这套中文识别配置适合以中文文档为主、兼收英文材料的个人与团队票据、合同、中英混合的研究资料均可覆盖。两处效果有限低分辨率扫描件低于 150~300 DPI和手写体OCR 识别率会明显下降另外中文全文检索没有词干化处理同义变体不会自动归一。这两块用标签和自定义字段做分类兜底即可不必强求搜索兜底。【免费下载链接】paperless-ngxA community-supported supercharged document management system: scan, index and archive all your documents项目地址: https://gitcode.com/GitHub_Trending/pa/paperless-ngx创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
Paperless-ngx 中文识别实战中文 OCR、日期解析与界面汉化一次配好【免费下载链接】paperless-ngxA community-supported supercharged document management system: scan, index and archive all your documents项目地址: https://gitcode.com/GitHub_Trending/pa/paperless-ngxHR 专员把一整箱劳动合同扫描件丢进 Paperless-ngx想搜劳动合同归档结果搜索框空空如也——因为默认的 OCR 只带英文语言包。本文带你完成三件事Paperless-ngx 中文 OCR 配置、中文日期解析、界面汉化全程约 15 分钟。 为什么默认配置读不懂中文Paperless-ngx 底层用 OCRmyPDF 驱动 Tesseract 引擎做文字识别而 Tesseract 是靠语言包工作的每个语言包就像一份字典没装中文那份字典引擎面对中文扫描件只能输出空白或乱码字符。发行版默认只附带英文包所以中文文档入库后全文索引里根本不存在发票合同这些词——不是你搜的姿势不对是引擎压根没把字认出来。下面先让服务跑起来再把中文这份字典装上。 启动服务完成 chi_sim 中文 OCR 配置先用 Docker 单命令拉起完整服务docker run -d \ -p 8000:8000 \ -v /your/data:/usr/src/paperless/data \ -v /your/media:/usr/src/paperless/media \ -v /your/consume:/usr/src/paperless/consume \ --name paperless-ngx \ paperlessngx/paperless-ngx参数作用-d后台运行容器-p 8000:8000映射 Web 端口浏览器访问http://localhost:8000-v .../data数据库持久化目录升级时不能丢-v .../media文档原件与缩略图存放位置-v .../consume收件箱文件丢进来即自动 OCR 入库浏览器打开首页后把一份中文扫描件复制进consume目录稍后它会被自动消费——但此时内容大概率搜不到接下来补上关键配置。chi_sim 怎么填在environment里加两行改完重启容器生效environment: - PAPERLESS_OCR_LANGUAGEchi_simeng # 识别语言 连接多语言主语言放前面 - PAPERLESS_OCR_LANGUAGESchi_sim eng # 容器启动时自动安装缺失的语言包两个要点下划线不是笔误。Tesseract 代码里中文写作chi_sim写成chi-sim会直接报错官方文档特意加了一条警告见 docs/configuration.md。PAPERLESS_OCR_LANGUAGES只在 Docker 部署需要启动时由 init-tesseract-langs 脚本逐个检查缺哪个就 apt 装哪个。语言包装多少可按量级预估1 种约 10MB 以内2~3 种约 30MB5 种以上会到 100MB 左右且识别耗时会随语言数明显上升。单一语言环境不必贪多。顺序写反会怎样文档以中文为主却写成engchi_simTesseract 会倾向英文模型优先命中结果中文条款整段识别为空而英文页眉页脚反而正常——排查时先看语言顺序再怀疑包没装。反过来以英文为主、夹中文段落就写成engchi_sim让占多数的语言站在前排。 两字母 zh 和三字母 chi_sim 别搞混中文日期解析dateparser 的 zhOCR 解决字是什么日期解析解决这句话里的日期是哪天。后者由 dateparser 库负责它用的是两字母代码和 OCR 的三字母 ISO 639-2 编码是两套体系environment: - PAPERLESS_DATE_PARSER_LANGUAGESzhen配好后2026年8月30日这类中文写法能被提取成文档的 Created 日期。不显式设置时系统会尝试从PAPERLESS_OCR_LANGUAGE推断逻辑见 src/paperless/utils.py但显式写死最稳避免推断失败时日期字段留空。消费完合同类文档进编辑页看一眼左侧日期是否自动填对没填对再回头查配置。界面汉化Settings 里选简体中文后端与前端翻译文件已随项目内置src/locale/下覆盖 zh_CN 在内的 50 多种语言。进入 Settings → General → Language 选择简体中文即可整站切换且每个用户独立选择互不干扰。✅ 验收清单三类文档过一遍纯中文扫描件把一份中文票据拷进consume等它入库 → 搜索框输入票面词汇应在结果中命中并高亮匹配词点开可预览原件 → 若没有结果先查PAPERLESS_OCR_LANGUAGE是否含chi_sim、改配置后是否重启过容器。中英混合合同消费后打开编辑页 → 正文两种语言都能搜到Created 自动填上文中写明的日期 → 若日期为空先查PAPERLESS_DATE_PARSER_LANGUAGES是否写成zhen。邮件附件自动入库在 Emails 页面建一条收件规则指定邮箱与附件处理方式 → 新邮件到达几分钟后附件应自动带上标题和日期出现在列表 → 若无动静先看规则状态和系统日志里的拉取记录。️ 排错速查现象最常见原因一步修复动作中文搜不到全文为空或乱码PAPERLESS_OCR_LANGUAGE仍是默认eng或代码误写chi-sim改为chi_sim下划线重启容器后重新消费文档容器起不来日志报语言包安装失败PAPERLESS_OCR_LANGUAGES启动时 apt 装包rootless 模式无权限用 root 运行容器或自构镜像预装tesseract-ocr-chi-sim日期字段为空或填错dateparser 只按英文理解2026年8月30日不识别显式加PAPERLESS_DATE_PARSER_LANGUAGESzhen并重启 适用边界这套中文识别配置适合以中文文档为主、兼收英文材料的个人与团队票据、合同、中英混合的研究资料均可覆盖。两处效果有限低分辨率扫描件低于 150~300 DPI和手写体OCR 识别率会明显下降另外中文全文检索没有词干化处理同义变体不会自动归一。这两块用标签和自定义字段做分类兜底即可不必强求搜索兜底。【免费下载链接】paperless-ngxA community-supported supercharged document management system: scan, index and archive all your documents项目地址: https://gitcode.com/GitHub_Trending/pa/paperless-ngx创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
平方复杂度无法被常规优化消除｜TaoToken 统一 Key 通道实测)
