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_LANGUAGE
environment: - PAPERLESS_OCR_LANGUAGE=chi_sim+engPAPERLESS_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_LANGUAGES（Docker 部署才需要）
environment: - PAPERLESS_OCR_LANGUAGE=chi_sim+eng - PAPERLESS_OCR_LANGUAGES=chi_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_LANGUAGES=zh+enPAPERLESS_DATE_PARSER_LANGUAGES：日期解析库 dateparser 的语言，zh+en表示中英文
两套体系最容易混：这里两字母（zh/en），OCR 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_LANGUAGES=zh+en |
| 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_sim+eng |
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
