# 实用软件：实现无纸化（Paperless） * 原文链接：[Practical Ports: Go Paperless](https://freebsdfoundation.org/our-work/journal/browser-based-edition/kernel-development/practical-ports-go-paperless/) * 作者：Benedict Reuschling 在疫情最严重的时候，我一直待在家里，日子基本上和其他日子没什么区别。时间过得很慢，环顾四周，我意识到我的房间变得相当凌乱。尤其是我的工作桌旁，堆积的书籍、笔记、信件和其他纸张已经开始争相堆到桌面上。我决定做点什么。我戴上耳机，开始整理、归类、扔掉，并清理到我的桌面变得整洁。这种成就感在全球危机时期格外强烈。受到这一感觉的激励，我决定开始扫描那些纸张，减少堆积的纸张数量。 我几个月前买了一台移动扫描仪，它通过 USB 连接，并使用一些专有但高效的扫描软件。这个扫描仪的大小不亚于一个擀面杖，能够扫描一张纸。由于当时有时间，我开始一张一张地扫描每张纸，为每个生成的 PDF 添加描述和日期，然后继续扫描下一张。虽然这很繁琐，但最终我完成了。之后整理这些文件又是一个漫长的任务：税务、保险、合同、收据、账单（包括已发送和已收到的）、记录、证书等，都需要放入正确的目录中。 但扫描软件只有 32 位，几年前整个扫描设备停止工作了——恰好在另一堆纸差点要倒塌的时候。于是，是时候寻找替代方案了。几个月前，我发现了 `textproc/py-ocrmypdf`。这款软件本质上是重新扫描 PDF 并将文字从图像中提取出来，使其成为可以提取和搜索单个单词的文本。它通过模式识别来识别单词和语言，结果出奇的好。我将其应用于现有的扫描文件，现在我可以对文档进行全文搜索，找到例如我参加 BSDCan 2014 时的机票费用等信息。 ## 介绍 Paperless-ngx 然后我发现了 paperless-ngx，这是 `ocrmypdf` 的一部分，但它在整个系统中只是一个相对较小的部分。它是一个文档管理系统，你可以将文档导入其中，它会创建一个完全可搜索的档案，自动检测内容（AI 无处不在）并根据你定义的规则将其归档。基本上，我可以把一封信交给它，它会识别出这是来自银行的文件，并根据检测到的日期将其归档，同时使用 `ocrmypdf` 使其变得可搜索，并添加有用的元数据。文件会最终被存储在一个目录中，目录可以是主题相关的（例如我从该银行收到的所有文件），或者按年 - 月 - 日 - 描述分类，甚至完全由你来决定。你还可以将整个目录导入到 paperless-ngx，它会自动识别哪些文档已经扫描过，并跳过那些文档，而剩下的则会通过处理管道继续处理。随着每个文档的处理，未来类似文档被正确分类的概率也会增加。此外，它还配备了一个漂亮的 Web 用户界面，可以轻松地将文件拖放到界面中进行扫描，并轻松找到已有的文档。另一种将文档导入的方法是通过一个“incoming”文件夹，你可以在办公室与同事共享这个文件夹，或者将文件作为附件（还记得电子邮件吗？）发送到它。 该软件堆栈本身令人印象深刻，甚至可能让人感到有些望而生畏，尽管 [paperless-ngx 网站](https://docs.paperless-ngx.com/) 提供了优秀的文档。为了获得顺畅的扫描体验，许多软件和服务需要协同工作。幸运的是，`deskutils/py-paperless-ngx` 下有一个相关的 Port。更棒的是，Port 维护者创建了一份安装后手册，详细列出了如何启动一个正常工作的 paperless-ngx 堆栈的所有步骤。我是不是提到过，我真心喜欢 Port 维护者？有了这些说明，我迅速在自己的设备上设置好了 paperless-ngx。首先在树莓派 3 上设置，然后在 Pi 4 上也成功运行了。尽管 Pi 3 由于处理能力有限，可能需要更多的耐心来获得最终结果，但 Pi 4 运行得非常顺畅，扫描时间也合适。你可以在办公室或家里运行它，几乎不会对电费账单产生影响，同时允许其他人扫描文档而不会看到他人的文件。如果你处理很多文档并希望将其数字化，看看我们正在进行的 paperless-ngx 设置吧，等你体验之后再感谢我… ## Paperless-ngx 设置 无论你使用的是树莓派、其他嵌入式设备，还是一台完整的服务器，其实并不重要。只要它运行 FreeBSD，你就可以跟着做。我不会花时间介绍基础的安装或系统的硬化，因为有很多其他很好的文章已经覆盖了这些内容。只要确保在将你的 paperless-ngx 服务连接到网络，供其他人使用时，做好相应的安全配置。 首先，安装 Port paperless-ngx： ```sh # pkg install deskutils/py-paperless-ngx ``` 安装完成后，你将看到 `pkg-message`，其中建议你查看手册页以获取更多指示。如果没有这些指示，你将只能使用基本的服务，此时它的功能并不多。 大多数文件最终会存储在 `/var/db/paperless`，你可能希望将它放在一个单独的 ZFS 数据集上，但根据我的经验，压缩节省的空间并不值得这样做。不过，你的使用情况可能不同，ZFS 通常是存储这些重要文档的好选择。 Paperless-ngx 需要访问一个 Redis 实例，接下来我们将安装这个组件： ```sh # pkg install redis # service redis enable # service redis start ``` 非常简单，使用这三条命令，你可以安装并设置 Redis，使其在启动时自动启动，并且当前会话也能运行。如果你的 Redis 实例运行在网络中的其他地方，你需要修改并在 `/usr/local/etc/paperless.conf` 中添加相应的凭据。如果在本地主机上运行，默认情况下无需特殊权限，因为这样它不会被其他主机访问。 配置文件有很好的文档说明，包含了注释。像 `THREADS_PER_WORKER`（在我的 RPI 4 上设置为 1）、`PAPERLESS_URL`（IP 地址或 DNS 名称）和 `PAPERLESS_TIME_ZONE`（我使用的是 UTF）等项需要根据你的系统和网络进行修改。许多其他设置在初始扫描时默认配置就足够了。你可以稍后重新访问此文件并进行修改。 Paperless-ngx 使用数据库来存储各种信息。初始化数据库非常简单，可以使用以下命令： ```sh # service paperless-migrate onestart ``` 如果你希望每次系统启动时都运行这个服务，可以执行以下服务命令： ```sh # service paperless-migrate enable ``` 完成之后，我们将按顺序启动 Paperless 所使用的后台服务： ```sh # service paperless-beat enable # service paperless-consumer enable # service paperless-webui enable # service paperless-worker enable ``` 你可以在 paperless-ngx 网站上找到这些服务的详细描述。由于我们希望在不重启系统的情况下使用 paperless-ngx，接下来我们将启动所有这些服务： ```sh # service paperless-beat start # service paperless-consumer start # service paperless-webui start # service paperless-worker start ``` 机器学习是人工智能炒作背后的热门话题。Paperless-ngx 也使用了机器学习，但主要用于帮助进行字符识别，以确定当前文档的语言。为此，它使用了自然语言工具包（NLTK）。要下载必要的文件，可以使用以下单行命令（如有需要，请替换 Python 版本）： ```sh # su -l paperless -c '/usr/local/bin/python3.11 -m nltk.downloader \ stopwords snowball_data punkt -d /var/db/paperless/nltkdata' ``` 文档的分类是通过 Celery 组件来完成的。这个分类在扫描时会自动进行，但你也可以通过以下命令手动触发分类： ```sh # su -l paperless -c '/usr/local/bin/paperless document_create_classifier' ``` Celery 还运行一个可选组件，叫做 Flower。它用于监控 Celery 控制的工作节点集群。这个组件是可选的，我的实例没有运行它。但对于那些想要更多功能的人，这里是启动它的方式： ```sh # service paperless-flower enable # service paperless-flower start ``` ## 设置 Web UI 为了保护基于 Django 的 Web UI，其中存储了迄今为止所有扫描的文档，你可以像这样设置一个超级用户密码： ```sh # su -l paperless -c '/usr/local/bin/paperless createsuperuser' ``` 我已经在运行一个 nginx web 服务器（SSL 代理），所以我可以重用它来指向我的 paperless-ngx 网站。如果你还没有 web 服务器，Port 也提供了一个现成的配置文件，位于 `/usr/local/share/examples/paperless-ngx/nginx.conf`，你只需将其复制到 `/usr/local/etc/nginx/` 目录即可。这个配置文件还包括 SSL 配置，避免有人窃听流量，获取登录信息并做出其他恶意行为。要创建一个有效期为一年的密钥，可以运行以下较长的 `openssl` 命令（或者通过 `lets-encrypt` 获取密钥）： ```sh # openssl req -x509 -nodes -days 365 -newkey rsa:4096 \ -keyout /usr/local/etc/nginx/selfsigned.key \ -out /usr/local/etc/nginx/selfsigned.crt ``` 当然，你可以在必要时对 `nginx.conf` 进行调整。完成后，启用它在系统启动时自动启动，并在当前会话中启动： ```sh # service nginx enable # service nginx start ``` Voila! 现在，你可以在浏览器中访问 `paperless.conf` 中定义的 web URL 并登录到应用程序。 ## Web UI 中的基础配置 在扫描第一份文档之前，我建议首先在左侧的“管理”部分设置一些项目。首先，定义“通信方”——这些是向你发送纸质文档的人或组织。可以是银行、保险公司，也可以是个人。你可以给他们一个描述性的名称，并配置 paperless-ngx，以便它在检测到某些关键词或其他条件时，将文档归档到该通信方下。 接下来，定义文档类型。合同与情书不同，账单与证书不同，依此类推。这样，你可以让 paperless-ngx 区分某个通信方是向你发送账单，还是合同。两者都有可能发生，尤其是政府机构（至少在我所在的地方）往往会在不同的上下文中与你通信，而你希望将这些文档保持分开。这正是 paperless-ngx 的优势所在：待定义了你的活跃通信方及其典型文档，你就不需要再担心正确分类了。只需添加文档，让 paperless-ngx 自动完成分类。通过一些调整，你就可以扫描大量文档。那么，如何排序它们呢？这就是存储路径的作用。 这些路径定义了文档应存放在文件系统中的位置以及目录层次结构。我个人使用的路径是 `{created_year}/{correspondent}/{title}`，这意味着我有像 `2024/insuranceXZY/YearlyReport.pdf` 这样的目录。如果你希望将所有与税务相关的文档存放在单独的目录中，请在存储路径部分定义该规则，并设置条件以匹配符合此条件的文档。最棒的是，如果你改变了排序方式，修改存储路径将自动移动并重新命名你已扫描的文档，而无需你手动执行繁琐的 `mkdir`、`cp`、`mv`、`rm` 等操作。 ## 准备、开始、扫描 现在就可以了。将一份你手头的 PDF 文档拖放到 Web UI 中，看看 paperless-ngx 如何开始处理它。左侧的“日志”部分提供了 paperless-ngx 如何选择匹配通信方和其他详细信息，帮助你调整匹配规则。处理完成后，你可以在仪表板或文档文件夹中找到最终结果。继续扫描其他文档，它们将全部存储在 `/var/db/paperless/media/documents/archive` 目录中（如果你没有在 `paperless.conf` 中修改该路径），然后按照存储路径定义进行存放。希望你能像我一样发现 paperless-ngx 对文档的管理非常有用。我总是期待收到下一封信，以便用 paperless-ngx 扫描它。感谢创建 paperless-ngx 的团队，以及使 FreeBSD Port 安装体验如此出色的所有人。 *** **BENEDICT REUSCHLING** 是 FreeBSD 项目的文档提交者，和文档工程团队的成员。过去，他曾担任 FreeBSD 核心团队成员两个任期。他在德国达姆施塔特应用科技大学管理一个大数据集群，并教授“Unix for Developers”课程。他是每周 [bsdnow.tv](https://freebsdfoundation.org/our-work/journal/browser-based-edition/kernel-development/practical-ports-go-paperless/) 播客的主持人之一。 --- # Agent Instructions: Querying This Documentation If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question. Perform an HTTP GET request on the current page URL with the `ask` query parameter: ``` GET https://book.bsdcn.org/qi-kan/20240910-nei-he-kai-fa/go.md?ask= ``` The question should be specific, self-contained, and written in natural language. The response will contain a direct answer to the question and relevant excerpts and sources from the documentation. Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.