Paperless-ngx 多语言部署：5 个变量搞定中英日文档识别

Paperless-ngx 多语言部署5 个变量搞定中英日文档识别【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中英混排的发票 OCR 出来一长串方块、2024年3月15日死活识别不成日期——先别怀疑文档先查配置Paperless-ngx 多语言部署说白了就是几个环境变量的事。这套社区维护的开源文档管理系统能把扫描件扫描、索引、归档一条龙做完下面这五个变量接对之后界面、OCR、日期解析全都会说中文。5 分钟先跑起来已经会用docker compose的话这一节五分钟内就能见效。在服务的environment:里补上下面几行重启容器然后打开页面把右上角界面语言从 English 切成中文(简体)services: paperless: environment: - PAPERLESS_OCR_LANGUAGEchi_simeng - PAPERLESS_OCR_LANGUAGESchi_sim - PAPERLESS_DATE_PARSER_LANGUAGESzhen - PAPERLESS_TIME_ZONEAsia/Shanghai容器启动时初始化脚本会比对清单里哪些语言包缺失用apt-get install把对应的tesseract-ocr-*包装上。日志里出现 Installed package tesseract-ocr-chi_sim 就说明中文 OCR 到位了。下面逐个变量拆因果。中文界面仪表盘切完语言后按钮、菜单和日期展示全部本地化。逐个变量拆因果改了它到底影响哪一步界面语言怎么切Paperless-ngx 中文界面不在环境变量里界面语言是这套配置里唯一没有服务端变量的。后端自带 50 多种语言包src/locale/下从zh_CN到ja_JP都有django.po前端语言选择器把选择写进 cookie后端按 cookie 翻译。所以同一个实例北京的同事看到中文东京的同事看到日文互不干扰。⚠️ 坑在别去服务端找一个PAPERLESS_LANGUAGE之类的变量当前版本不读它界面语言完全由浏览器决定。PAPERLESS_OCR_LANGUAGETesseract 默认拿什么语言读文档Tesseract——Google 开源的 OCR 引擎负责把图片里的文字变成可检索文本——识别文档时默认用这个变量写的语言是三位字母代码默认eng。文档以中文为主就写chi_sim中英混排发票就写chi_simengTesseract 会对不同区域分别挑匹配的语言识别。系统推断日期解析语言、全文索引语言时也以它为源头。⚠️ 坑在代码里没有连字符。Debian 包名叫chi-sim变量里必须写chi_sim否则 OCR 直接报找不到语言。Paperless-ngx 中文 OCR 语言包安装PAPERLESS_OCR_LANGUAGES 干什么镜像默认只带英语、德语、意大利语、西班牙语、法语五种语言包。这个变量是空格分隔的列表容器启动时的初始化脚本会逐个比对已装包缺什么补什么。比如PAPERLESS_OCR_LANGUAGESchi_sim装简体中文PAPERLESS_OCR_LANGUAGESchi_sim jpn一次装两个。⚠️ 坑在分隔符是空格不是加号而且 rootless 容器没有 apt 权限这个变量只在普通容器里生效。日期解析语言配了 zh 还是 zhen文档的日期字段靠 dateparser 库自然语言日期解析工具提取语言由PAPERLESS_DATE_PARSER_LANGUAGES指定格式是 zh 或 zhen——注意是加号和 OCR 的空格分隔正好相反。文档里2024年3月15日和 March 15, 2024 并存的话zhen就对了。留空时系统会尝试从PAPERLESS_OCR_LANGUAGE推断。⚠️ 坑在推断失败会退回多语言模式日期识别率明显下降。以中文文档为主就写明白别偷懒。PAPERLESS_TIME_ZONE时间戳落在哪个时区这个变量喂给 Django 的时区系统默认 UTC。团队坐班在北京就配Asia/Shanghai界面上所有创建时间最后修改都按本地时间展示凌晨三点不会对着发票上的时间戳发懵。⚠️ 坑在它只改展示不改存储。跨时区协作就统一一个值中途别改。一封多语言邮件的全流程跟外企财务专员走一遍跟着小李走一遍。上午 9:15Asia/Shanghai小李的邮箱收到日本合作方发来的邮件附件是中英文混排的发票 PDF。邮件规则提前配好了这个发件人的附件自动送入消费目录小李什么都不用做后面全由系统接管。邮件规则配置指定发件人的附件自动入库多语言内容也走同一条链路。消费者接单后PAPERLESS_OCR_LANGUAGEchi_simeng开始工作发票上的中文按中文识别英文条目按英文识别不会整页糊成一锅粥。发票日期2024年3月15日那一行靠zhen被 dateparser 解析进 created 字段。小李还可以给这类文档加一个发票号自定义字段把这类元数据沉淀下来。自定义字段给文档补语言之外的元数据维度方便批量整理和筛选中英混排文件。小李打开页面时界面语言是中文(简体)搜索框里直接输入发票。后端全文索引已经把 OCR 结果里的中文 token 建好索引这条文档当场命中卡片上的时间显示2024年3月15日落在北京时区。搜索结果中文关键词发票命中 OCR 识别出的文档时间按本地时区展示。整条链路用到的是三组配置OCR 语言决定认不认得出日期语言决定日期字段填不填得上时区加界面语言决定你打开页面看到什么。内存只有 2G、4G、8G 时怎么配2G单语言PAPERLESS_OCR_LANGUAGE只写chi_sim别加 eng日期解析也只留 zh。4G一主一辅chi_simeng是甜点位日期解析配zhen。8G真有多语归档需求就加上 jpn但控制并发任务数别一次灌大批量。Paperless-ngx 多语言 OCR 故障速查症状OCR 出来全是方块或乱码。最可能原因是chi_sim语言包没装上或者变量写成了chi-sim。进容器执行一条命令验证docker compose exec paperless tesseract --list-langs输出里没有chi_sim就回头检查PAPERLESS_OCR_LANGUAGES是不是空格分隔、容器是不是 rootless。症状中文文档日期字段为空或年份不对。最可能原因是 dateparser 不认识中文日期。把PAPERLESS_DATE_PARSER_LANGUAGES显式设为zhen重新消费几份文档看 created 字段是否落值。症状界面部分文本没翻译。最可能原因是浏览器语言 cookie 还停在英语或者页面缓存没刷。右上角切换语言后强制刷新仍然缺词再去 src/locale/zh_CN/LC_MESSAGES/django.po 里查对应词条是否本来就缺。配置对了之后你能拿到什么一套中文文档搜得到、中文日期自动提取、北京和东京同事各看各语言界面的系统。变量细节查 docs/configuration.md容器部署流程看 docs/setup.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