Paperless-ngx для поиска и хранения документов

Что такое Paperless-ngx

Paperless-ngx — система управления документами для сканов и электронных файлов. Она принимает документ, извлекает текст, создаёт поисковую PDF-копию и позволяет назначить название, дату, корреспондента, тип, теги, путь хранения и дополнительные поля.

Self-hosted-версия 3.2.1 работает на сервере компании и распространяется по GNU GPLv3. Это практический электронный архив для поиска и внутренней работы, но не готовая система юридически значимого хранения.

Как документы поступают в архив

Файл можно загрузить в веб-интерфейсе, перетащить в окно браузера, положить в наблюдаемую consumption directory, отправить через REST API или получить как вложение из почтового ящика.

После успешного приёма файл из consumption directory перемещается во внутреннюю структуру Paperless-ngx. Эту папку нельзя считать постоянным исходным архивом: до массового запуска проверяют, что сканер и сетевой каталог не ожидают сохранения файла на прежнем месте.

Как работает OCR

Tesseract распознаёт текст, а OCRmyPDF создаёт архивную PDF-копию с текстовым слоем. Если входной PDF уже содержит текст, режим OCR определяет, будет ли он пропущен, дополнен или распознан заново.

Для русского языка устанавливают пакет rus и задают его отдельно от языка интерфейса. Качество зависит от разрешения, перекоса, контраста, шрифта и макета. Результат проверяют на реальных договорах, счетах, письмах и сканах, а не на одном чистом образце.

Как устроены теги, корреспонденты и типы

Корреспондент описывает организацию или человека, от которого получен документ или которому он адресован. Тип фиксирует назначение — например, договор, счёт или акт. Теги позволяют дать документу несколько независимых признаков.

Пользовательские поля добавляют номера, суммы, даты и другие структурированные значения. Путь хранения определяет понятное размещение файла на диске, но пользователи работают через интерфейс и API, а не редактируют media вручную.

Как искать документы

Поиск использует распознанный текст, название и метаданные. Результаты можно уточнить типом, корреспондентом, тегом, датой, владельцем и пользовательскими полями, а сохранённое представление вернуть на панель.

Найденный текст не подтверждает правильность всего OCR. Для юридически и финансово значимых реквизитов нужны структурированные поля и проверка человеком; распознанный слой служит прежде всего для навигации и поиска.

Как автоматизируется обработка

Workflow запускается на этапе поступления, обновления или другого события, проверяет условия и выполняет действия. Он может назначить тип, корреспондента, теги, путь хранения, владельца и разрешения или запустить внешний webhook.

Условия можно строить по источнику, имени файла, типу, содержимому и метаданным. Правила вводят постепенно и проверяют журнал задач: слишком широкое совпадение может массово присвоить неверные реквизиты.

Как принимать документы из почты

Paperless-ngx подключается к почтовому ящику и применяет правила к папке, отправителю, теме, тексту и вложениям. Правило определяет, что загружать и что делать с письмом после успешной обработки.

Для Gmail и Microsoft 365 доступен OAuth2, но приложение у провайдера и разрешения на почту настраиваются отдельно. Почтовый ящик лучше выделить специально для документов и ограничить допустимые типы и размер вложений.

Как хранятся оригиналы и архивные копии

Paperless-ngx сохраняет исходный файл без изменения и контролирует его checksum. Рядом может храниться архивная PDF-копия с OCR, а также миниатюры и служебные данные. Удаление документа через интерфейс затрагивает управляемые файлы по правилам системы.

Для переносимости есть exporter, который выгружает документы и метаданные с понятными именами. Экспорт удобен для миграции, но полный аварийный backup должен также сохранять базу, data и конфигурацию.

Как разделяются пользователи и права

Глобальные разрешения определяют доступ к типам объектов, а права конкретного документа можно выдать пользователям и группам на просмотр или изменение. Владелец и workflow помогают назначать доступ при поступлении.

Настройка приложения действует на всю установку и должна оставаться административной. Перед запуском создают тестовые учётные записи для разных подразделений и проверяют список, поиск, превью, скачивание оригинала и массовые действия.

Где хранятся данные и от чего зависит конфиденциальность

Метаданные находятся в PostgreSQL, задания передаются через Valkey или совместимый Redis, а оригиналы, архивные копии и миниатюры хранятся в media. Поисковый индекс и локальные модели находятся в data.

Базовый OCR и классификатор работают локально. Опциональные LLM-функции и удалённый OCR передают содержимое настроенному провайдеру; они выключены по умолчанию. Их не включают для конфиденциального архива без отдельного решения о данных и расходах.

Кому подходит Paperless-ngx

Paperless-ngx подходит небольшой компании или отделу, которому нужно собрать сканы и электронные документы, искать по содержимому и единообразно назначать метаданные. Он особенно полезен при регулярном потоке однотипных счетов, договоров и писем.

• Документы можно хранить как файлы без сложного процесса согласования.

• Для поиска нужен OCR и структурированные признаки.

• Пользователи готовы проверять распознавание важных реквизитов.

• Есть ответственный за структуру, доступ, сервер и резервные копии.

Какие форматы поддерживаются

Встроенные обработчики принимают PDF, PNG, JPEG, TIFF, GIF, WebP и обычный текст. Изображения проходят OCR и преобразуются в PDF-копию, а оригинал сохраняется.

Для офисных документов можно подключить Apache Tika и Gotenberg. Это дополнительные сервисы с собственными ресурсами и обновлениями; поддержку конкретных DOCX, ODT, PPTX или XLSX проверяют на образцах до массового импорта.

Как переносить существующий архив

Перенос начинается с инвентаризации папок, форматов, дублей и обязательных метаданных. На выборке уточняют правила имён, даты, корреспондентов, типов и тегов, а также качество русского и смешанного OCR.

Массовый импорт запускают порциями через consumption directory или API, чтобы контролировать очередь и ошибки. Для другой установки Paperless-ngx используют document exporter и importer, сохраняя совместимость версий.

Как проходит внедрение

Пилот охватывает один устойчивый класс документов. Настраивают приём, OCR, несколько метаданных, поиск, права и workflow, затем пользователи проверяют результаты на реальных запросах.

После пилота закрепляют правила именования и проверки, рассчитывают хранилище и скорость обработки, обучают владельцев архива и только затем импортируют оставшиеся коллекции.

Как обслуживать Paperless-ngx после запуска

Администратор следит за очередью задач, ошибками consumer, PostgreSQL, брокером, свободным местом и сроком TLS-сертификата. Большая пакетная загрузка регулируется числом workers и интенсивностью OCR, чтобы не вытеснить обычную работу.

Перед обновлением читают release notes и делают копию. Переход с версии 2 на 3 возможен только с 2.20.15, поэтому старые установки обновляются по отдельному маршруту, а не прямой заменой контейнера.

Что входит в резервную копию

Копия должна включать PostgreSQL, media с оригиналами и архивными файлами, data с индексом и моделями и актуальную конфигурацию. Consumption directory сохраняют только если в ней могут оставаться ещё не обработанные файлы.

Копии хранят вне основного сервера и регулярно восстанавливают. После проверки убеждаются, что открываются оригиналы, работает поиск, права сохранены, а новые документы проходят OCR.

Из чего складывается стоимость владения

Плата за лицензию и пользователей отсутствует. Стоимость складывается из CPU для OCR, PostgreSQL, диска для оригиналов и производных файлов, резервных копий, обновлений и работы администратора.

Отдельно оцениваются сканирование бумажного фонда, очистка исходных папок, разработка workflows, проверка реквизитов и обучение. При удалённом OCR или LLM появляются расходы провайдера и передача ему содержимого.

Когда Paperless-ngx не подходит

Paperless-ngx не подходит как единственное решение, если нужны квалифицированная электронная подпись, доказуемая неизменность, обязательные сроки хранения и уничтожения, сложное согласование версий или регистрация официальной корреспонденции.

Он также не заменяет файловый портал для совместного редактирования документов. В таких случаях Paperless-ngx можно использовать как поисковый архив только внутри более широкого процесса, границы которого фиксируются отдельно.