Paperless-ngx؛ بایگانی دیجیتال اسناد با OCR فارسی

چند استفادهٔ رایج که کاربران در هفتهٔ اول راه می‌اندازند:

Paperless-ngx را در گام دوم سفارش از تب «اپلیکیشن‌ها» انتخاب می‌کنید؛ فقط پلن‌هایی با دست‌کم ۲ گیگابایت RAM آن را نشان می‌دهند و Ubuntu 22.04 خودکار انتخاب می‌شود. پس از روشن شدن سرور، اسکریپت نصب docker.io و docker-compose-v2 را نصب می‌کند و پوشه‌های data‏، media‏، export‏، consume و پوشه‌های داده برای PostgreSQL و Redis را زیر /opt/paperless-ngx می‌سازد. یک کلید مخفی تصادفی با openssl rand -hex 32 و یک رمز ۲۰ کاراکتری تصادفی برای مدیر ساخته و در فایل‌هایی با دسترسی ۶۰۰ نگه داشته می‌شوند؛ رمز پیش‌فرض مشترکی وجود ندارد.

فایل docker-compose.yml سه سرویس دارد: broker با ایمیج redis:7-alpine‏، db با postgres:16-alpine و webserver با ایمیج رسمی ghcr.io/paperless-ngx/paperless-ngx که پورت ۸۰۰۰ را منتشر می‌کند و چهار پوشهٔ بالا را به مسیرهای داخلی برنامه وصل می‌کند. دیتابیس و Redis هیچ پورتی روی سرور منتشر نمی‌کنند و فقط از داخل شبکهٔ Docker در دسترس‌اند. دریافت ایمیج‌ها در صورت قطعی چند بار تکرار می‌شود. نتیجه، یعنی آدرس، نام کاربری admin و رمز، در تب «اپلیکیشن» صفحهٔ سرور نمایش داده می‌شود، قانون فایروال پورت ۸۰۰۰ خودکار اعمال می‌شود و نصب هزینهٔ جداگانه ندارد.

نکتهٔ مهم برای کاربران ایرانی: ایمیج رسمی فقط چند زبان اروپایی را از پیش دارد، به همین دلیل نصب خودکار علاوه بر زبان OCR با مقدار eng+fas، متغیر PAPERLESS_OCR_LANGUAGES را هم با مقدار fas در فایل /opt/paperless-ngx/docker-compose.yml می‌گذارد. با این متغیر، سرویس webserver هنگام راه‌اندازی بستهٔ زبان فارسی Tesseract را نصب می‌کند و اسناد فارسی و انگلیسی از همان اولین سند درست پردازش می‌شوند. به همین دلیل اولین راه‌اندازی سرویس ممکن است کمی بیشتر طول بکشد. اگر زبان دیگری مثل عربی هم لازم دارید، کد آن را با فاصله کنار fas در همین متغیر بنویسید، به PAPERLESS_OCR_LANGUAGE هم اضافه کنید و در همان پوشه docker compose up -d را اجرا کنید. هر وقت خواستید نصب را با دست بررسی یا از نو بسازید، همین فایل compose مرجع شماست.

Paperless-ngx رایگان است، نصب خودکارش هم هزینهٔ جداگانه ندارد و تنها هزینه اجارهٔ ساعتی سرور ابری است. سه سرویس کنار هم اجرا می‌شوند و OCR در لحظهٔ پردازش حافظه و پردازنده می‌گیرد، به همین دلیل حداقل ۲ گیگابایت RAM لازم است و پلن mini در فهرست اپلیکیشن‌های سفارش آن را نشان نمی‌دهد. پلن standard برای بایگانی خانگی یا دفتری با چند صد سند در ماه کافی است. اگر می‌خواهید بایگانی چند ساله را یک‌باره اسکن و وارد کنید، plus زمان پردازش را کوتاه‌تر می‌کند و دیسک ۸۰ گیگابایتی جای بیشتری دارد.

دیسک را هم حساب کنید: هر سند هم فایل اصلی و هم نسخهٔ آرشیوی دارد. یک فاکتور تک‌صفحه‌ای چند صد کیلوبایت است، اما اسکن رنگی با کیفیت بالا می‌تواند چند مگابایت شود. هزینه ساعتی از کیف پول کسر می‌شود و قرارداد ماهانه ندارد. برای مقایسهٔ هزینه‌ها از ماشین‌حساب هزینه استفاده کنید.

هر ابزار ذخیره‌سازی فایل جای Paperless-ngx را نمی‌گیرد. تفاوت‌ها در عمل:

پیش از وارد کردن صدها سند، ساختار را بچینید. سه مفهوم اصلی دارید: طرف حساب یعنی فرستنده یا گیرندهٔ سند مثل بانک، بیمه یا یک تأمین‌کننده؛ نوع سند مثل فاکتور، قرارداد یا نامه؛ و برچسب برای هر دسته‌بندی دیگر مثل «پرداخت‌نشده» یا «مالیات ۱۴۰۴». ده تا بیست طرف حساب پرتکرار را دستی بسازید و برای هر کدام قاعدهٔ تطبیق با نام یا شناسهٔ ملی‌اش بگذارید.

سپس ۳۰ تا ۵۰ سند نمونه وارد کنید و برچسب‌ها را دستی اصلاح کنید تا حالت تطبیق خودکار از آن‌ها یاد بگیرد. یک صندوق ایمیل مخصوص فاکتورها تعریف کنید و در بخش ایمیل، قاعده‌ای بگذارید که پیوست‌های PDF را وارد کند و نوع سند را فاکتور بزند. در آخر، یک نمای ذخیره‌شده برای «اسناد این ماه» روی داشبورد بگذارید تا همکاران از همان صفحهٔ اول کار را شروع کنند.

اسناد مالی و شخصی حساس‌ترین داده‌ای است که روی یک سرور می‌گذارید. رمز مدیر را قوی انتخاب کنید، برای هر نفر کاربر جدا بسازید و احراز هویت دومرحله‌ای را که Paperless-ngx برای هر کاربر دارد فعال کنید. دیتابیس و Redis نباید پورتی روی سرور منتشر کنند؛ در چیدمان بالا فقط پورت ۸۰۰۰ برنامه از بیرون باز است.

نصب پایه روی http اجرا می‌شود و رمز و اسناد بدون رمزگذاری جابه‌جا می‌شوند. روی سرور یک nginx بگذارید که پورت ۸۰ را به 127.0.0.1:8000 برساند، پورت ۸۰ را در فایروال شبکه یا تب فایروال سرور باز کنید و زیردامنه‌ای مثل docs.example.com را در مدیریت DNS پشت پروکسی لبه قرار دهید تا گواهی SSL خودکار صادر شود؛ پروکسی لبه فقط به پورت ۸۰ سرور وصل می‌شود. متغیر PAPERLESS_URL را هم روی آدرس https دامنه بگذارید، وگرنه ورود با خطای CSRF رد می‌شود.

پس از راه‌اندازی دامنه، قانون پورت ۸۰۰۰ را از فایروال حذف کنید یا به IP دفتر محدود کنید. ایمیج را دوره‌ای با docker compose pull به‌روز کنید و پیش از هر به‌روزرسانی یک خروجی کامل بگیرید.

برای Paperless-ngx بکاپ اختیاری نیست. دستور document_exporter را با docker compose exec webserver اجرا کنید تا همهٔ اسناد اصلی، نسخه‌های آرشیوی و متادیتا در پوشهٔ export ریخته شود؛ این خروجی مستقل از نسخهٔ دیتابیس است و روی هر نصب تازه با document_importer برمی‌گردد. آن را به‌صورت دوره‌ای به فضای ذخیره‌سازی ابری یا جای دیگری بیرون از سرور منتقل کنید.

بکاپ کامل سرور را هم هر وقت خواستید از تب بکاپ پنل بسازید؛ بکاپ خودکار زمان‌بندی‌شده برای سرور ابری فعال نیست و فضای بکاپ ساعتی ۲ تومان به ازای هر گیگابایت حساب می‌شود. جزئیات در صفحهٔ پشتیبان‌گیری. برای آوردن بایگانی قدیمی، فایل‌ها را دسته‌دسته در پوشهٔ consume بریزید؛ زیرپوشه‌ها را می‌توان به برچسب تبدیل کرد.

از سمت ما: نصب خودکار است و OCR فارسی را هم آماده می‌کند، اما دامنه و HTTPS را پس از نصب خودتان تنظیم می‌کنید و به‌روزرسانی ایمیج‌ها هم با شماست. دیسک هر پلن ثابت است و فضای بلاک برای افزودن دیسک جدا هنوز فعال نیست؛ پس پلن را با حجم بایگانی چند سال آینده انتخاب کنید. هر پلن ۵۰ گیگابایت ترافیک ماهانه دارد و آپلود یک‌بارهٔ بایگانی بزرگ هم جزو آن حساب می‌شود.

از سمت نرم‌افزار: دقت OCR فارسی به کیفیت اسکن وابسته است و دست‌خط را تشخیص نمی‌دهد. تشخیص خودکار تاریخ برای تاریخ شمسی همیشه درست نیست و ممکن است لازم باشد تاریخ سند را دستی اصلاح کنید. Paperless-ngx ویرایشگر سند و امضای دیجیتال ندارد و جای سامانهٔ اتوماسیون اداری را نمی‌گیرد.