Paperwork 是什么?它如何用扫描仪和 OCR 把纸质文件整理成可搜索的个人文档库?

Paperwork 是一款面向个人的开源文档管理器（PDM），核心思路是“扫描即归档”：用扫描仪把纸质文件变成 PDF，通过 OCR 生成可全文检索的文本层，再借助彩色标签和自动分类把文档归入一个集中目录。它适合想把家庭纸质档案（票据、合同、说明书、证件复印件）数字化的个人用户，尤其是 Linux 桌面用户；不适合需要多人协作、审批流或复杂权限管理的团队场景。

从扫描到可搜索 PDF：流程拆解

Paperwork 本身不生产扫描硬件，它调用系统扫描接口（页面关键词提到 WIA，即 Windows Image Acquisition，说明其在 Windows 上通过该系统接口访问扫描仪；Linux 下则依赖 SANE 生态）。典型流程如下：

1. 准备扫描仪：确认操作系统能识别扫描仪，并能通过系统自带扫描工具出图。这是前提，Paperwork 只负责后续的入库与索引。
2. 扫描入库：在 Paperwork 中新建文档并执行扫描，页面图像被采集进文档库。页面还提到自动页面方向检测，可减少手动旋转的步骤。
3. OCR 生成文本层：Paperwork 对扫描页做文字识别，输出 hOCR（带坐标信息的 HTML 格式 OCR 结果），并与页面图像一起封装为 PDF。这样 PDF 既保留原始版面，又带有可搜索的文本。
4. 检索验证：在搜索框输入文档中出现的几个关键词，能命中该文档即说明 OCR 与索引生效。页面明确支持“搜索整个 PDF 文件”，而不只是标题或标签。

需要说明的是，OCR 识别质量取决于扫描清晰度和字体，手写体、低分辨率扫描件通常识别效果有限，这是所有 OCR 方案的共性限制，而非 Paperwork 独有。

自动分类与集中存储：两个关键机制

彩色标签与“越用越懂你”的排序

Paperwork 用彩色标签给文档分类。页面描述其智能排序逻辑：随着使用，Paperwork 会学习哪个标签通常出现在文档的哪个位置，并对新文档自动套用标签。例如你习惯把某类票据放在文档的固定页序位置并打上同一标签，新扫描的同类文档就可能被自动标注。这减少了逐份手动分类的工作量，但本质是位置与历史模式的推断，初次使用或文档结构不规律时仍需人工校正。

单目录存储带来的可迁移性

所有文档存放在一个目录下，这带来两个直接好处：

• 备份简单：备份整个目录即备份全部文档库。
• 同步方便：该目录可用 Nextcloud、Syncthing、SparkleShare、共享文件夹等工具在多台电脑间同步。

格式上，Paperwork 只使用 JPEG、hOCR、PDF 这类通用标准，页面明确表示“不会以任何方式被锁定”。这意味着即使以后不用 Paperwork，扫描件和 OCR 结果仍可被普通 PDF 阅读器和其他工具打开，不存在专有格式的迁移风险。

适用与不适用：一张对照表

Paperwork 以自由软件形式分发，页面强调“保持你对数据的控制”是其开源的理由之一。但页面未提供价格、付费版本或登录要求等信息，因此不应假定其存在商业版或云服务。

上手路径与验证方法

1. 确认扫描链路可用：先用系统扫描工具试扫一页，确保出图正常。
2. 导入或扫描第一批文档：建议先选 5–10 份结构相似的纸质文件，便于观察自动分类效果。
3. 建立标签体系：按用途而非按年份建标签（如“票据”“保修”“证件”），标签数量控制在可记忆范围内。
4. 验证搜索：挑一份扫描件，记住其中某个只出现在正文里的词，搜索该词，能命中即证明 OCR 文本层可用。
5. 验证备份：找到文档库所在目录，复制到另一位置或用同步工具同步，确认文件完整可打开。

常见卡点集中在两处：扫描仪未被系统识别（问题在驱动层，不在 Paperwork）；OCR 对模糊或手写内容识别率低（需重新扫描或接受手动补标签）。页面还提到快速页面编辑等功能，可在扫描后修正页序或方向，具体操作以软件内实际界面为准。