Paperless-ngx文档管理工具 paperless-gpt 安装和使用指南

Paperless GPT 是与 paperless - ngx 搭配使用的文档工具，借助AI生成文档标题和标签，减少手动分类的时间成本，将OCR技术与大语言模型（LLM）结合，在扫描复杂的文档文件时，能提取出高精度文本。

Paperless GPT支持OpenAI、Ollama等大语言模型，可处理低质量或复杂布局的扫描件，相比传统OCR，能结合上下文纠正识别错误，输出更精准的文本内容。

Paperless GPT提供多种OCR服务：

LLM OCR：利用OpenAI或Ollama从图像中提取文本。

Google Document AI：借助谷歌的企业级OCR服务。

Azure Document Intelligence：使用微软的文档智能解决方案。

Docling Server：支持自托管的OCR和文档转换服务。

自动化生成元数据

标题和标签：AI自动生成文档标题和分类标签，支持人工审核和调整。

通信人识别：从文档内容中提取通信人信息，简化通信记录管理。

创建日期生成：基于文档内容推断创建日期，提升时间线管理准确性。

Paperless GPT能生成带透明文本层的PDF文件，保留原始排版的同时，使文档具备文本搜索和选择功能，支持将处理后的PDF保存到本地或上传至paperless - ngx。

Paperless GPT的OCR处理模式

图像模式（默认）：将PDF页面转换为图像进行处理，兼容所有OCR提供商。

PDF模式：直接处理PDF页面，保留文档特性，可能提升处理速度和准确性。

整页PDF模式：一次性处理整个PDF文档，减少API调用次数，适合高效处理多页文档。

环境变量配置

通过设置环境变量，可灵活调整系统行为：

LLM配置：选择OpenAI、Mistral、Ollama等提供商及对应模型（如gpt - 4o、qwen3:8b）。

OCR配置：指定OCR提供商、处理模式及输出格式（如hOCR、PDF文本层）。

安全设置：限制OCR页数（OCR_LIMIT_PAGES）、自动跳过已处理文档（PDF_SKIP_EXISTING_OCR）。

Docker快速部署

提供Docker Compose示例配置，只需设置必要环境变量，即可将Paperless GPT与paperless - ngx部署在一起：

services:
paperless-gpt:
image: icereed/paperless-gpt:latest
environment:
    PAPERLESS_BASE_URL: "http://paperless-ngx:8000"
    PAPERLESS_API_TOKEN: "your_api_token"
    LLM_PROVIDER: "openai"
    LLM_MODEL: "gpt-4o"
    OPENAI_API_KEY: "your_openai_key"
volumes:
    - ./prompts:/app/prompts
ports:
    - "8080:8080"
depends_on:
    - paperless-ngx

Paperless GPT 进阶功能

增强型OCR特性

hOCR与PDF文本层：仅Google Document AI支持生成hOCR文件和带文本层的PDF，实现精确文本定位和搜索功能。

本地文件存储：通过配置CREATE_LOCAL_HOCR和CREATE_LOCAL_PDF，可将处理后的文件保存到本地指定目录。

使用建议

谨慎替换文档：启用PDF_REPLACE时需谨慎，该功能会删除原始文档，建议先进行备份。

标签管理：利用PDF_OCR_COMPLETE_TAG自动标记已处理文档，避免重复操作。

性能优化：对于本地LLM（如Ollama），可通过TOKEN_LIMIT控制令牌数量，适配模型上下文窗口。

实际效果对比

以下是传统OCR与LLM驱动OCR的效果对比：

示例1：收据扫描件

传统OCR：出现文字扭曲、断行错误（如“LOUUAIN LA NEUVE”识别为“LOLNAIN LA NEWWE”）。

LLM OCR（gpt - 4o）：准确还原地址、金额和时间信息，文本结构清晰。

示例2：发票文档

传统OCR：表格内容错位、日期格式错误（如“Sep 16, 2004”误为“Sep 16, 2004”）。

LLM OCR（gpt - 4o）：正确解析表格结构，修正日期和金额格式，提升可读性。