★ FEATURED ARTICLE Paperless-ngx 中文文档管理:3 个配置搞定中文 OCR、日期识别与界面汉化【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结论:Paperless-ngx 默认只做英文 OCR,想让中文扫描件搜得到、日期对、界面是中文,只需改三处环境变量加一项界面设置,约 10 分钟可完成全部中文文档管理配置。配置项写法作用PAPERLESS_OCR_LANGUAGEchi_simeng告诉 Tesseract 用什么语言读文档PAPERLESS_OCR_LANGUAGESchi_sim engDocker 启动时自动安装缺失的语言包PAPERLESS_DATE_PARSER_LANGUAGESzhen决定中文日期写法能否被解析三项都在容器environment中,改完重启生效;界面语言则在网页里选,无需改配置。1️⃣ 启动服务:一条命令跑起来先用一条命令起完整服务,效果可见后再调配置:docker run -d \ -p 8000:8000 \ -v paperless_data:/usr/src/paperless/data \ -v paperless_media:/usr/src/paperless/media \ -v paperless_consume:/usr/src/paperless/consume \ --name paperless-ngx \ paperlessngx/paperless-ngx容器 8000 端口映射到宿主机,浏览器访问http://localhost:8000即进入界面三个具名卷分别保存数据库、文档原件与缩略图、待消费收件箱,升级不丢数据文件丢进consume目录,系统自动走 OCR 流水线并入库仪表盘上的数字就是已消费文档量;新文档入库后它会随之增长。2️⃣ 三处中文配置一次改完在 compose 的environment或容器的环境变量里追加下面几项,重启容器后生效:OCR 识别语言怎么设OCR 是让程序读懂图片里文字的技术,底层引擎 Tesseract 按语言包工作,没装中文包就读不懂中文:environment: - PAPERLESS_OCR_LANGUAGEchi_simeng # 识别语言; 分隔,前面的权重更高 - PAPERLESS_OCR_LANGUAGESchi_sim eng # 容器启动时自动安装缺失的语言包(空格分隔)简体中文代码是chi_sim:必须用下划线,写成chi-sim会直接报错,官方文档专门标注了这一点中英混合文档把主语言放前面,即chi_simeng;顺序反了(英文在前)的典型表现是中文内容大量丢失镜像默认只内置英、德、意、西、法五种语言包,中文属于额外项,所以 Docker 部署要同时给PAPERLESS_OCR_LANGUAGES;该值由启动脚本 init-tesseract-langs 逐个检查并通过apt安装tesseract-ocr-lang语言包装不上时怎么办自动安装需要以 root 权限运行容器;rootless(无 root)模式不支持这个能力替代方案:自建镜像时预装tesseract-ocr-chi_sim,或裸机部署直接装在宿主机多装语言包会增加内存占用和识别耗时,按需保留 1~3 种即可中文日期识别怎么开文字识别只解决内容是什么,日期解析还要解决这句话里的日期是哪天。这里由 dateparser 库负责,代码格式与 OCR 不同——是两字母的:environment: - PAPERLESS_DATE_PARSER_LANGUAGESzhen # 两字母代码,与 OCR 的 chi_sim/eng 不通用不设时系统会尝试从PAPERLESS_OCR_LANGUAGE自动推断(逻辑见 utils.py),但显式指定最稳配好后,2026年8月30日这类中文写法能被提取成文档日期,搜索与排序才准界面语言怎么切成中文界面汉化与 OCR 完全无关:翻译文件已随项目提供(见 src/locale/,含 zh_CN 等 50 多种语言),登录界面在 Settings → General → Language 里选简体中文,整站即切换,且按用户各自独立保存。3️⃣ 如何验证识别已生效按上传 → 搜索 → 查日期三步走:把一份中文扫描件放进consume目录,等它消费完成在文档列表搜索发票等中文关键词:能命中且匹配词高亮,说明 OCR 文本层正确打开命中文档的编辑页,核对 Created 日期:若源文件写的是2026年8月30日,日期字段应自动填为 2026-08-30,无需手敲两个注意点:改过PAPERLESS_OCR_LANGUAGE后,存量文档需要重新消费(删除后放回consume,或用redo模式重跑 OCR),再重建索引若搜索始终无结果,先确认文档确实是重新消费过的,旧记录里存的是英文 OCR 的文本4️⃣ 常见问题与能力边界Q:中文搜不到、识别文本是乱码?A:九成是PAPERLESS_OCR_LANGUAGE还停在默认eng,或代码误写成chi-sim。改成chi_sim、重启容器、重新消费文档。Q:容器起不来,日志提示语言包安装失败?A:自动安装需要 root 权限;rootless 部署直接不支持。改用 root 运行,或自建镜像提前装好tesseract-ocr-chi_sim。Q:中文日期识别不了,或字段干脆为空?A:多半是两套代码格式混用——日期解析用两字母zh,OCR 用三字母chi_sim,别把chi_sim写进PAPERLESS_DATE_PARSER_LANGUAGES。显式设zhen最省心。边界要清醒:OCR 对低分辨率扫描(约低于 150~300 DPI)和手写体效果有限中文全文检索没有词干化处理,英文那种 running/run 的变体匹配在中文上不成立,这类需求用标签和自定义字段兜底多用户场景下界面语言互不影响,财务、法务可各用各的语言完整参数说明见 configuration.md。【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
阅读完成 · 觉得有帮助？
)
