Paperless-ngx 多语言配置完全指南从中文界面到跨语言文档流转【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你扫了一批中英混合的发票OCR 却只认得英文中文整段丢失。问题多半出在 Paperless-ngx 多语言部署的取值格式上中文界面配置、OCR 语言、日期解析语言各用各的代码体系混着填就会翻车。这篇文章按先跑起来再讲原理的顺序走。你先花 5 分钟把中文环境配好然后逐个搞懂每个环境变量到底管什么最后带走一份避坑清单和验收清单。快速上手先跑起来再讲道理最小可用配置把下面这段贴进你的 docker-compose 环境变量里重启容器即可environment: - PAPERLESS_LANGUAGEzh-cn - PAPERLESS_OCR_LANGUAGEchi_simeng - PAPERLESS_OCR_LANGUAGESchi_sim - PAPERLESS_DATE_PARSER_LANGUAGESzhen - PAPERLESS_TIME_ZONEAsia/Shanghai⚡ 先记住一个结论chi_sim用下划线zh-cn用连字符zhen用加号。五行代码三种格式下面逐个解释为什么。为什么这么配PAPERLESS_LANGUAGE只决定界面显示语言系统内置语言包覆盖 50 多种语言zh-cn即简体中文。PAPERLESS_OCR_LANGUAGE是识别时的默认语言表示让 Tesseract 在中文和英文之间自动择优。PAPERLESS_OCR_LANGUAGES只负责装不负责用它告诉容器启动脚本额外安装哪些 Tesseract 语言包。英语、德语、意大利语、西班牙语、法语已预装不必重复列入。PAPERLESS_DATE_PARSER_LANGUAGES交给 dateparser 库解析文档里的日期zhen让2026年1月3日和 Jan 3, 2026 都能被识别。PAPERLESS_TIME_ZONE决定时间戳按哪个时区展示国内团队填Asia/Shanghai。机制拆解每个环境变量到底管什么按使用顺序过一遍这张表右两列就是格式坑所在配置顺序参数示例值格式要点填错会怎样1PAPERLESS_LANGUAGEzh-cn小写连字符界面回退成英文2PAPERLESS_OCR_LANGUAGEchi_simengTesseract 三字母码下划线多语言用 拼接中文页识别成乱码或空白3PAPERLESS_OCR_LANGUAGESchi_sim jpn空格分隔的包名清单启动时装包失败中文识别缺模型4PAPERLESS_DATE_PARSER_LANGUAGESzhendateparser 语言码加号拼接文档日期字段留空5PAPERLESS_TIME_ZONEAsia/ShanghaiIANA 时区名启动自检直接报错拒绝启动界面与时区zh-cn 和 Asia/Shanghai界面语言走 Django i18n 系统取值必须命中内置语言列表写成zh_CN或Chinese都不行。时区是全局的填一个不存在的时区名系统会在启动自检时直接卡住不会静默回退。OCR 语言识别语言与安装清单是两回事⚠️ 这是最容易混的一对参数。PAPERLESS_OCR_LANGUAGE管识别时用哪些语言默认eng支持deueng这类组合。注意 Tesseract 代码里带连字符的chi-sim必须写成chi_sim繁体中文对应chi_tra。PAPERLESS_OCR_LANGUAGES管往容器里装哪些语言包按空格分隔。只配识别语言却不装对应包识别时会直接找不到模型。参数细则可查项目文档 docs/。日期解析zhen 为什么长这样dateparser 用拼接语言码也支持地区变体如en-AU。这个变量不填时系统会从 OCR 语言推断但 OCR 代码与 dateparser 代码并不总是一一对应混合文档下建议显式写zhen把推断的不确定性去掉。典型工作流从输入到产出混合票据流中英发票一张纸输入一批中文抬头、英文明细的扫描发票。配置PAPERLESS_OCR_LANGUAGEchi_simengPAPERLESS_DATE_PARSER_LANGUAGESzhen。Tesseract 自动判定页面语言区域中英文本按各自语言抽取开票日期2026年3月1日这类字段由 dateparser 归一化成标准日期落库。产出同一张发票既能被发票命中也能被 invoice 命中日期字段完整。多语种归档流邮件进自动分类出输入来自不同地区的往来邮件与附件语种混杂。配置用邮件规则按发件人、主题把附件直接送入消费队列多语言文档管理从这一步开始自动化。产出附件入档即打标签无需人工翻文件名核对。批量补漏时批量编辑一次改一批文档的标签与分类。跨时区协作流时间戳统一界面各看各的输入分布在不同时区的团队共用一套文档库。配置PAPERLESS_TIME_ZONE指向团队主时区每个用户在自己的界面语言里选语言权限按文档逐个分配。产出所有人看到的修改时间、创建时间对齐到同一时区界面各看各的语言跨国团队文档协作不再需要口头对时间。性能与资源什么时候该加内存按语言规模做决策你的语言规模识别语言建议资源动作单一语言为主单语言如chi_sim默认内存即可不动任何参数主力语言 1~2 种辅助组合如chi_simeng每多一种语言预留 100~200MB 内存5 种以上多语种归档收窄到核心语言或按语种拆两个实例用PAPERLESS_TASK_WORKERS压低 OCR 并发复杂文档多时上调PAPERLESS_WORKER_TIMEOUT启动时语言包自动安装Docker 部署里装包和跑起来是一次完成的容器启动脚本读取PAPERLESS_OCR_LANGUAGES缺哪个包就用 apt 装哪个包已装的跳过装不上才会启动失败。所以语言包的体积和内存开销不用你手动核算按上表的并发与内存口径执行即可。避坑清单现象、排查、修复中文OCR准确率低的原因与修复现象中文页面识别结果缺字、串行或整页空白。排查先看扫描分辨率低于 300 DPI 先重扫再确认 Tesseract 版本对应的中文包是否为最新版手写体和特殊字体本身就是识别难点别一味怪配置。修复提高扫描质量升级语言包必要时调整 OCR 模式并启用预处理选项。界面部分文本没翻译现象中文界面里零星冒出英文。排查确认翻译文件src/locale/zh_CN/LC_MESSAGES/django.po是否完整django-admin compilemessages是否编译过.mo文件最后清一次浏览器缓存再刷新。修复个别术语不满意直接改.po对应条目重新编译即可行业译法会保留在本地。多语言搜索效果差现象英文关键词能搜到中文同义词搜不到。排查检查 NLTK 语言包是否齐全搜索索引的词干处理语言是否与文档语言匹配。修复补齐 NLTK 资源并给关键元数据加自定义字段让搜索多一条命中路径。验收清单上线前过一遍界面语言与主要用户匹配OCR 语言包覆盖全部业务文档语言时区指向主要用户所在地内存覆盖多语言处理的额外开销翻译文件随版本更新并重新编译✅ 五项全勾丢一份中英混合的样本文档走一遍消费流程确认识别结果、日期字段、界面文案三处都正常多语言环境就算交付了。下一步就一件把最小配置贴进你的 compose 文件重启后用一份真实的中英混合文档验证有任何一项对不上回到避坑清单对号入座。【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
Paperless-ngx 多语言配置完全指南：从中文界面到跨语言文档流转
Paperless-ngx 多语言配置完全指南从中文界面到跨语言文档流转【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你扫了一批中英混合的发票OCR 却只认得英文中文整段丢失。问题多半出在 Paperless-ngx 多语言部署的取值格式上中文界面配置、OCR 语言、日期解析语言各用各的代码体系混着填就会翻车。这篇文章按先跑起来再讲原理的顺序走。你先花 5 分钟把中文环境配好然后逐个搞懂每个环境变量到底管什么最后带走一份避坑清单和验收清单。快速上手先跑起来再讲道理最小可用配置把下面这段贴进你的 docker-compose 环境变量里重启容器即可environment: - PAPERLESS_LANGUAGEzh-cn - PAPERLESS_OCR_LANGUAGEchi_simeng - PAPERLESS_OCR_LANGUAGESchi_sim - PAPERLESS_DATE_PARSER_LANGUAGESzhen - PAPERLESS_TIME_ZONEAsia/Shanghai⚡ 先记住一个结论chi_sim用下划线zh-cn用连字符zhen用加号。五行代码三种格式下面逐个解释为什么。为什么这么配PAPERLESS_LANGUAGE只决定界面显示语言系统内置语言包覆盖 50 多种语言zh-cn即简体中文。PAPERLESS_OCR_LANGUAGE是识别时的默认语言表示让 Tesseract 在中文和英文之间自动择优。PAPERLESS_OCR_LANGUAGES只负责装不负责用它告诉容器启动脚本额外安装哪些 Tesseract 语言包。英语、德语、意大利语、西班牙语、法语已预装不必重复列入。PAPERLESS_DATE_PARSER_LANGUAGES交给 dateparser 库解析文档里的日期zhen让2026年1月3日和 Jan 3, 2026 都能被识别。PAPERLESS_TIME_ZONE决定时间戳按哪个时区展示国内团队填Asia/Shanghai。机制拆解每个环境变量到底管什么按使用顺序过一遍这张表右两列就是格式坑所在配置顺序参数示例值格式要点填错会怎样1PAPERLESS_LANGUAGEzh-cn小写连字符界面回退成英文2PAPERLESS_OCR_LANGUAGEchi_simengTesseract 三字母码下划线多语言用 拼接中文页识别成乱码或空白3PAPERLESS_OCR_LANGUAGESchi_sim jpn空格分隔的包名清单启动时装包失败中文识别缺模型4PAPERLESS_DATE_PARSER_LANGUAGESzhendateparser 语言码加号拼接文档日期字段留空5PAPERLESS_TIME_ZONEAsia/ShanghaiIANA 时区名启动自检直接报错拒绝启动界面与时区zh-cn 和 Asia/Shanghai界面语言走 Django i18n 系统取值必须命中内置语言列表写成zh_CN或Chinese都不行。时区是全局的填一个不存在的时区名系统会在启动自检时直接卡住不会静默回退。OCR 语言识别语言与安装清单是两回事⚠️ 这是最容易混的一对参数。PAPERLESS_OCR_LANGUAGE管识别时用哪些语言默认eng支持deueng这类组合。注意 Tesseract 代码里带连字符的chi-sim必须写成chi_sim繁体中文对应chi_tra。PAPERLESS_OCR_LANGUAGES管往容器里装哪些语言包按空格分隔。只配识别语言却不装对应包识别时会直接找不到模型。参数细则可查项目文档 docs/。日期解析zhen 为什么长这样dateparser 用拼接语言码也支持地区变体如en-AU。这个变量不填时系统会从 OCR 语言推断但 OCR 代码与 dateparser 代码并不总是一一对应混合文档下建议显式写zhen把推断的不确定性去掉。典型工作流从输入到产出混合票据流中英发票一张纸输入一批中文抬头、英文明细的扫描发票。配置PAPERLESS_OCR_LANGUAGEchi_simengPAPERLESS_DATE_PARSER_LANGUAGESzhen。Tesseract 自动判定页面语言区域中英文本按各自语言抽取开票日期2026年3月1日这类字段由 dateparser 归一化成标准日期落库。产出同一张发票既能被发票命中也能被 invoice 命中日期字段完整。多语种归档流邮件进自动分类出输入来自不同地区的往来邮件与附件语种混杂。配置用邮件规则按发件人、主题把附件直接送入消费队列多语言文档管理从这一步开始自动化。产出附件入档即打标签无需人工翻文件名核对。批量补漏时批量编辑一次改一批文档的标签与分类。跨时区协作流时间戳统一界面各看各的输入分布在不同时区的团队共用一套文档库。配置PAPERLESS_TIME_ZONE指向团队主时区每个用户在自己的界面语言里选语言权限按文档逐个分配。产出所有人看到的修改时间、创建时间对齐到同一时区界面各看各的语言跨国团队文档协作不再需要口头对时间。性能与资源什么时候该加内存按语言规模做决策你的语言规模识别语言建议资源动作单一语言为主单语言如chi_sim默认内存即可不动任何参数主力语言 1~2 种辅助组合如chi_simeng每多一种语言预留 100~200MB 内存5 种以上多语种归档收窄到核心语言或按语种拆两个实例用PAPERLESS_TASK_WORKERS压低 OCR 并发复杂文档多时上调PAPERLESS_WORKER_TIMEOUT启动时语言包自动安装Docker 部署里装包和跑起来是一次完成的容器启动脚本读取PAPERLESS_OCR_LANGUAGES缺哪个包就用 apt 装哪个包已装的跳过装不上才会启动失败。所以语言包的体积和内存开销不用你手动核算按上表的并发与内存口径执行即可。避坑清单现象、排查、修复中文OCR准确率低的原因与修复现象中文页面识别结果缺字、串行或整页空白。排查先看扫描分辨率低于 300 DPI 先重扫再确认 Tesseract 版本对应的中文包是否为最新版手写体和特殊字体本身就是识别难点别一味怪配置。修复提高扫描质量升级语言包必要时调整 OCR 模式并启用预处理选项。界面部分文本没翻译现象中文界面里零星冒出英文。排查确认翻译文件src/locale/zh_CN/LC_MESSAGES/django.po是否完整django-admin compilemessages是否编译过.mo文件最后清一次浏览器缓存再刷新。修复个别术语不满意直接改.po对应条目重新编译即可行业译法会保留在本地。多语言搜索效果差现象英文关键词能搜到中文同义词搜不到。排查检查 NLTK 语言包是否齐全搜索索引的词干处理语言是否与文档语言匹配。修复补齐 NLTK 资源并给关键元数据加自定义字段让搜索多一条命中路径。验收清单上线前过一遍界面语言与主要用户匹配OCR 语言包覆盖全部业务文档语言时区指向主要用户所在地内存覆盖多语言处理的额外开销翻译文件随版本更新并重新编译✅ 五项全勾丢一份中英混合的样本文档走一遍消费流程确认识别结果、日期字段、界面文案三处都正常多语言环境就算交付了。下一步就一件把最小配置贴进你的 compose 文件重启后用一份真实的中英混合文档验证有任何一项对不上回到避坑清单对号入座。【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