Paperwork 是什么?如何用开源工具扫描、搜索和整理个人文档

Paperwork 是一款面向个人文档管理的开源软件，核心用途是把纸质文件扫描成可全文搜索的 PDF，并用标签自动整理。它适合希望自己掌控文档数据、不想依赖云端笔记服务的 Linux 或 Windows 用户；前提是你有一台可被系统调用的扫描仪。它的工作方式可以概括为“扫描后即可忘记”：扫描完成后由软件做 OCR，之后靠关键词找回文件。

它解决什么问题

个人纸质文件（合同、发票、说明书、证件复印件）的常见困境是：存成图片后无法搜索，文件夹越分越乱，换电脑或换软件后数据难以迁移。Paperwork 针对这三点分别给出做法：

• 可搜索：扫描件经 OCR 处理后，可以按关键词检索，官方说明支持搜索整个 PDF 文件内容。
• 自动整理：给文档贴彩色标签，软件会逐渐学习哪个标签该用在哪些文档上，并对新文档自动应用。
• 数据可控：所有内容存放在一个目录下，格式为 JPEG、hOCR、PDF 等通用标准，不把用户锁在专有格式里。

核心流程：从扫描到可搜索 PDF

前提条件

• 一台 Linux 或 Windows 电脑，以及系统能识别的扫描仪。Linux 下通常通过 SANE 访问扫描仪，Windows 下涉及 WIA，这是官方关键词中列出的扫描相关组件。
• 足够的磁盘空间：每页扫描件都会保留图像和 OCR 结果。

操作步骤

1. 连接并确认扫描仪可用：先在系统自带的扫描工具中测试能否出图，排除驱动问题。
2. 在 Paperwork 中发起扫描：选择扫描来源，设置分辨率等基本参数，逐页扫描或连续进纸。
3. 等待 OCR 完成：软件会对扫描页做文字识别，生成可搜索的文本层。页数多时需要一些时间，这是正常现象。
4. 检查页面方向：官方提到支持自动页面方向检测，但横放、倒放的页面仍建议人工确认一遍。
5. 打标签归档：为文档添加彩色标签，命名并保存。

验证方法

扫描完成后，在搜索框中输入文档里出现过的某个词（例如某张发票上的商家名），能命中该文档即说明 OCR 与索引正常。若搜不到，先检查该页图像是否清晰、文字是否过小或倾斜。

常见卡点

• 扫描仪不被识别：优先在系统层面排查，而不是在 Paperwork 内反复尝试。
• OCR 结果差：多与扫描分辨率过低、页面歪斜、字迹模糊有关，重新以更高分辨率扫描通常有效。
• 扫描速度慢：高分辨率加 OCR 本身耗时，属于预期行为，可分批处理。

整理机制：标签如何“学会”分类

Paperwork 的标签不只是手动分类，它会根据你已有的标签使用情况，推测新文档应归属哪个标签并自动应用。这类似邮件系统的自动归类：你前期手动纠正几次，后续就越省事。因此建议初期认真给一批文档打标签，让软件积累足够的判断依据；对自动结果不满意的，手动改掉即可。

除标签外，官方还提到快速页面编辑等功能，用于扫描后微调页面。

存储、备份与同步

Paperwork 把所有文档集中在一个目录下，这带来两个直接好处：

• 备份简单：备份这个目录即可，不需要导出数据库或逐条迁移。
• 同步灵活：该目录可以用 Nextcloud、Syncthing、SparkleShare、共享文件夹等工具在多台电脑间同步。

需要注意，同步工具处理的是普通文件，多台设备同时修改同一文档可能产生冲突副本，建议以一台设备为主要录入端。

格式与开放性

Paperwork 使用 JPEG（页面图像）、hOCR（OCR 结果）、PDF（成品文档）这类通用标准。这意味着即使以后不再使用 Paperwork，你的扫描件和识别文本仍可被其他工具读取，不存在“换软件就丢数据”的问题。软件本身以自由软件形式发布，官方表示这样做的原因是用户应当保持对数据的控制。

适合谁，不适合谁

如果你只是想找一款能扫描、能全文搜索、能自动打标签、数据留在自己手里的工具，Paperwork 的流程足够直接：扫描、识别、搜索、备份，四步闭环。