Paperless-ngx 中文 OCR 完整配置指南15 分钟配通 chi_sim 中文包与中文日期识别【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财务的扫描件入库了搜发票却一无所获——因为 Paperless-ngx 用的 Tesseract OCR 引擎默认只带英文语言包。本文带你 15 分钟配通中文识别、中文日期提取和界面汉化。先看基线默认状态能干什么、干不了什么最小可用状态用一条 docker run 就能跑起来。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-p 8000:8000把容器端口映射到宿主机http://localhost:8000就是界面入口-v /your/data:...数据库存放位置升级时不能丢-v /your/media:...文档原件和缩略图的存放位置-v /your/consume:...收件箱文件丢进去自动 OCR 并入库启动后打开页面默认配置下是这样的默认能干什么默认干不了什么英文 PDF、图片入库可搜中文内容识别搜发票必空文件进 consume 自动 OCR从2026年8月30日提取日期界面英文可在界面内切换中文日期解析dateparser 未指定语言看图的关键区域是右上角的文档数量区消费成功后数字在这里增长左侧菜单的 Settings 稍后会用到。⚙️ 核心开关chi_sim 怎么写、语言包怎么自动装改什么PAPERLESS_OCR_LANGUAGEenvironment: - PAPERLESS_OCR_LANGUAGEchi_simengPAPERLESS_OCR_LANGUAGE告诉 Tesseract 用什么语言读文档三字母代码chi_sim是简体中文、eng是英文多语言用连接为什么这么填Tesseract 按语言包工作没装中文包就一个中文字都读不出来镜像默认只装了eng。主语言放前面Tesseract 匹配时优先偏重它纯中文文档直接写chi_sim即可。改完看到什么往 consume 丢一份中文发票 PDF几秒后入库搜索框输入发票能命中。命不中就跳到文末故障表。高频笔误代码必须用下划线写chi-sim直接报错官方文档专门加了警示见 docs/configuration.md。改什么PAPERLESS_OCR_LANGUAGESDocker 部署才需要environment: - PAPERLESS_OCR_LANGUAGEchi_simeng - PAPERLESS_OCR_LANGUAGESchi_sim engPAPERLESS_OCR_LANGUAGE同上一节PAPERLESS_OCR_LANGUAGES容器启动时自动安装的语言包清单空格分隔不是为什么这么填chi_sim 包镜像里没有启动时 init-tesseract-langs 脚本会逐项检查缺失的包并用 apt 装上不用手动进容器。改完看到什么启动日志出现Installed tesseract-ocr-chi_sim重启后重新消费文档中文文本可搜。语言包装多少看这个量级语言包数量安装体积约识别速度适合谁1 种10MB 内快单一语言环境2~3 种30MB 左右中等主语言加 1~2 个辅助语言5 种以上100MB 左右慢多语种归档中心顺手项中文日期与界面语言各一行environment: - PAPERLESS_DATE_PARSER_LANGUAGESzhenPAPERLESS_DATE_PARSER_LANGUAGES日期解析库 dateparser 的语言zhen表示中英文两套体系最容易混这里两字母zh/enOCR 那边三字母chi_sim/eng千万别互相抄。不设它会从PAPERLESS_OCR_LANGUAGE推断逻辑在 src/paperless/utils.py但显式配置最稳配好后2026年8月30日能被正确提成文档日期。界面汉化是另一码事Settings → General → Language 选简体中文整站立刻切换每个用户各选各的互不影响。翻译文件随项目在 src/locale/不用碰代码。验收路径丢文档 → 搜一下 → 点开看日期一条端到端路线走通别跳步。第 1 步丢文档。把中文发票 PDF 放进 consume 目录。 预期现象几秒后文档出现在列表里。 不对去哪查容器是否还在运行、日志有没有语言包缺失的报错。第 2 步搜一下。搜索框输入发票。 预期现象命中文档出现匹配词高亮点预览能看原件。 不对去哪查这份文档可能在改配置前就入库了删掉重新消费或以 redo 模式重跑 OCR。看图重点在左侧结果列表和右侧预览窗每一行是一个命中文档预览窗直接显示命中片段。第 3 步点开看日期。打开文档编辑页看日期字段。 预期现象Created日期自动填上合同或发票上的日期微调保存即可。 不对去哪查日期字段为空或明显错误先查PAPERLESS_DATE_PARSER_LANGUAGES是否生效。上图左侧是元数据编辑区标题、日期、标签右侧是原件预览改完保存即生效。 故障速查四个高频现象各一招现象多半原因一招修复中文搜不到、文本乱码PAPERLESS_OCR_LANGUAGE还是默认eng或写成了chi-sim改成下划线的chi_sim重启容器并重新消费文档容器起不来日志报语言包安装失败PAPERLESS_OCR_LANGUAGES需 root 执行系统包安装rootless 模式不支持用 root 运行容器或自构镜像预装tesseract-ocr-chi-sim日期字段为空或明显错误日期解析看不懂中文表述显式设PAPERLESS_DATE_PARSER_LANGUAGESzhen混合文档里英文部分大量丢失语言顺序写反少数派语言被压制主语言放前chi_simeng边界与人群适合以中文文档为主、兼有英文材料的个人和团队财务票据、合同、中英混合的研究资料都能覆盖多用户各自选界面语言。两条硬边界低分辨率扫描低于 150~300 DPI和手写体OCR 效果有限别指望奇迹中文全文检索没有词干化处理英文那种 running/run 互相命中的技巧在中文上不适用这类需求靠标签和自定义字段兜底。【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
