Paperless-ngx: как проверить распознавание русских документов

Подготовьте вымышленные договор, акт и счёт. Запишите их правильные номера, даты, суммы и несколько характерных фраз. Это образец, с которым вы сравните распознанный текст. Реальные документы клиентов для проверки не нужны.

• Чистый скан. Страница ровная и хорошо освещённая. С него удобно начать сравнение.

• Фотография. Снимите ту же страницу под углом или при плохом освещении, чтобы увидеть влияние качества снимка.

• PDF с готовым текстом. Добавьте файл, где текст можно выделить, и отдельный PDF, где страница является изображением.

Дайте каждому файлу понятное имя. Сравнивайте виды документов отдельно: успешная обработка готового PDF не означает, что фотография распознаётся так же хорошо. Сохраняйте исходники, чтобы при необходимости повторить опыт.

OCR — распознавание текста со скана или фотографии. Для русских документов администратор должен проверить язык rus в настройке PAPERLESS_OCR_LANGUAGE и наличие нужных языковых файлов. Если документ смешанный, добавьте необходимые языки.

Для PDF с готовым текстом выберите, сохранять этот текст или распознавать страницу заново. Сначала попробуйте настройку на копии одного файла. Проверьте и исходник, и обработанную версию, прежде чем менять режим для всего архива.

За один раз меняйте только одну вещь: например, язык или качество фотографии. Иначе вы не поймёте, почему результат улучшился или ухудшился. Запишите версию Paperless-ngx и выбранные настройки.

Перед загрузкой составьте несколько запросов: название компании, номер договора и фразу из текста. Напишите, какой файл должен находить каждый запрос. После обработки выполните их обычным аккаунтом сотрудника.

• Поиск находит нужный файл. Открывающийся PDF ещё не показывает, правильно ли распознан текст для поиска.

• Номер, дата и сумма совпадают. Сверяйте их с исходным документом, а не с автоматически заполненной карточкой.

• Состав документа полный. Проверьте страницы и вложения: хорошее распознавание не исправляет отсутствующий лист.

Если число распознано неверно, запишите ошибку и исправление. Посчитайте, сколько документов пришлось проверить и поправить вручную. Например: «Из десяти документов в трёх исправили номер». В число десяти включайте также неудачные загрузки.

Если поиск или реквизиты ошибочны, улучшите один параметр: выровняйте страницу, добавьте свет, сделайте снимок чётче или выберите нужный язык. Затем повторите обработку того же документа и сравните именно исправленное место.

Изменение настройки не запускает распознавание старого документа заново. Выберите повторную обработку (Reprocess), задайте нужные параметры и дождитесь её завершения. Убедитесь, что смотрите новый текст, а не результат первой попытки.

• Время программы. Измерьте, сколько прошло от загрузки до появления документа в поиске. Запишите, сколько файлов обрабатывалось одновременно.

• Время сотрудника. Отдельно отметьте минуты на проверку полей, исправление карточки и новый снимок.

• Правило приёма. Если фотографии часто дают ошибки в номерах, договоритесь запрашивать ровный скан вместо ручного исправления каждого файла.

Не переносите результат нескольких образцов на весь архив. Проверка нужна, чтобы выбрать правила для ваших документов: что принимается сразу, что требует сверки и что лучше пересканировать.

Сохраните список файлов и правильный текст для сравнения. Для каждого документа укажите настройки, ошибки поиска, неправильные реквизиты и выполненное исправление. Так коллега сможет проверить тот же набор без пересказа.

После повторной обработки запишите, помогло ли изменение и сколько времени оно заняло. В конце договоритесь, кто проверяет суммы и номера, кто исправляет ошибки и когда нужно запросить новый скан.