Dacă vă țineți deja fișierele în Nextcloud, partea enervantă a gestionării documentelor este rareori stocarea. Este sortarea. Scanați un contract, fotografiați o carte de identitate, descărcați o factură ca PDF, iar fișierul ajunge într-un dosar în care îl veți regăsi doar dacă vă amintiți cum l-ați numit. OCR în Nextcloud este exact golul pe care îl umple Sortare documente: citește textul a ceea ce puneți într-un dosar de intrare, recunoaște ce fel de act este și îl așază în dosare după categorie și fel.
Acest tutorial parcurge o configurare funcțională pe propriul server, apoi compară onest cu Paperless-ngx, pentru că cele două instrumente rezolvă probleme care se suprapun, dar nu sunt identice.
De ce aveți nevoie mai întâi
- Nextcloud 30 până la 34 și PHP 8.1 sau mai nou.
- Sarcinile de fundal Nextcloud (Cron) în funcțiune, deoarece sortarea automată are loc la fiecare 15 minute.
- Python 3.8 sau mai nou (
python3) pe server dacă vreți să fie citite pozele și PDF-urile scanate. Fișierele office și textul simplu se sortează și fără el. - Acces la internet o singură dată, pentru instalarea cititorului, care descarcă pachetele Python.
- O licență pentru aplicație (una per instanță Nextcloud). Detaliile complete sunt în ghidul de utilizare.
Pasul 1: Instalați și activați aplicația
Descărcați arhiva docsort-x.y.z.tar.gz din contul dvs. MediaLab Works, la Licenses, apoi extrageți-o în dosarul de aplicații, astfel încât să obțineți apps/docsort/, cu proprietarul utilizatorul serverului web:
cd /var/www/nextcloud/apps
sudo tar -xzf ~/docsort-x.y.z.tar.gz
sudo chown -R www-data:www-data docsort
Activați-o din linia de comandă sau din pagina Apps:
sudo -u www-data php occ app:enable docsort
Apoi deschideți Administration settings → Document sorter → License, lipiți cheia de licență și salvați. Aplicația contactează serverul de licențe, leagă cheia de această instanță și afișează licența ca Active. Verificarea rulează o dată pe zi; fără internet, aplicația continuă să funcționeze 7 zile după ultima verificare reușită. Dacă licența nu este validă, sortarea pur și simplu se oprește, iar fișierele așteaptă în dosarul de intrare — nimic nu este șters.
Pasul 2: Instalați cititorul de documente
În Administration settings → Document sorter, apăsați Install the reader. O sarcină de fundal construiește un mediu Python în dosarul de date (appdata_<id>/docsort/python) cu RapidOCR, pypdfium2 și OpenCV. Estimați aproximativ 150 MB de descărcat și circa 500 MB pe disc. Dacă preferați terminalul:
sudo -u www-data php occ docsort:install
Folosiți --remove pentru a o lua de la capăt, sau butonul Remove and install again din setări. Acest cititor face ca extragerea textului cu RapidOCR să funcționeze pe poze și PDF-uri scanate; PDF-urile care conțin deja un strat de text sunt citite direct, iar fișierele office sunt citite din XML-ul din interiorul lor.
Pasul 3: Configurați dosarul de intrare personal
Fiecare utilizator configurează acest lucru pentru sine în Personal settings → Document sorter:
- Activați Sort my documents.
- Setați Inbox folders, unul pe linie, relativ la fișierele dvs. Valoarea implicită este
Documente/De sortat. - Alegeți unde ajung documentele sortate — implicit
Documente. - Alegeți ce se întâmplă cu un document recunoscut: îl mutați, îl copiați (originalul rămâne în dosarul de intrare) sau doar îl etichetați.
- Alegeți un dosar per categorie și apoi per fel, sau un dosar per fel.
- Decideți ce se întâmplă cu documentele nerecunoscute: rămân în dosarul de intrare sau merg într-un dosar Unsorted.
- Alegeți numele dosarelor și ale etichetelor în română sau engleză.
Ultimul punct contează dacă împărțiți instanța cu familia sau cu colegii: aceleași reguli produc fie Documente/Financiar/Factura, fie Documents/Finance/Invoice, în funcție de setare.
Pasul 4: Puneți fișiere în dosar și urmăriți cum sunt sortate
Puneți scanări, poze și PDF-uri în dosarul de intrare din interfața web, din clientul desktop sau de pe telefon. În 15 minute fiecare fișier este citit, recunoscut, etichetat Document: <kind> și mutat în Documente/<categorie>/<fel>/.
Pe pagina personală, Sort now rulează imediat, iar Only show what would happen previzualizează rezultatul fără a muta nimic. Recently sorted listează ce a fost sortat și unde. Din terminal puteți rula și:
sudo -u www-data php occ docsort:scan [user] [--dry-run] [--again] [--limit N]
sudo -u www-data php occ docsort:classify <file> [--text]
Prima comandă sortează dosarul de intrare al tuturor sau al unei singure persoane (cu opțiune de simulare); a doua arată cum ar fi sortat un singur fișier.
Cele 48 de feluri în 13 categorii
Din start, aplicația recunoaște 48 de feluri de acte grupate în 13 categorii: identitate, stare civilă, permise și autorizații, vehicul, financiar, juridic, proprietate, sănătate, educație, muncă, utilități, asigurări și altele. Fiecare fel este o listă de cuvinte cu ponderi, în română și engleză, cu un scor minim. De aceea o carte de identitate și un certificat de naștere ajung în dosare diferite fără să numiți corect nici măcar un fișier.
Pasul 5: Ajustați regulile când o recunoaștere este greșită
Regulile sunt JSON simplu, cu câmpurile id, category, en, ro, min și keywords. Ca administrator le puteți edita la Rules, apăsa Save rules, sau reveni oricând la regulile încorporate. Înainte de salvare, folosiți Try the rules: lipiți textul unui document, apăsați Classify și vedeți cum ar fi sortat și ce cuvinte au decis. Nimic nu este stocat. Este cea mai rapidă cale de a corecta o sortare greșită recurentă — adăugați cuvântul lipsă la felul potrivit și mergeți mai departe.
Depanare
- Pozele și PDF-urile scanate nu sunt sortate, fișierele office da: cititorul nu este instalat. Administration settings → Overview afișează un avertisment; instalați-l din secțiunea Document sorter.
- „No Python 3 was found on this server”: instalați-l (
apt install python3 python3-venv) și apăsați din nou Install the reader. - Instalarea eșuează în timpul descărcării: serverul are nevoie de acces la internet o dată pentru a prelua pachetele Python. Verificați proxy-ul și firewall-ul, apoi reîncercați.
- Un fișier rămâne în dosarul de intrare etichetat
Document: ?: niciun fel nu a atins scorul minim. Verificați textul cu Try the rules și adăugați cuvintele lipsă.
O notă despre confidențialitate merită repetată: textul unui document nu este niciodată păstrat. Aplicația reține doar ce a fost recunoscut fiecare fișier, astfel încât același fișier să nu fie citit de două ori. Totul rulează pe serverul dvs.; niciun document nu este trimis nicăieri.
Sortare documente vs Paperless-ngx, onest
Paperless-ngx este o arhivă dedicată de documente: are propria bază de date, propria interfață web, propriul dosar de consum și propria idee despre cum ar trebui stocate documentele. Dacă scopul dvs. este o arhivă în care puteți căuta, cu corespondenți, tipuri de documente și o căutare full-text puternică, este o alegere matură și excelentă. Face un singur lucru și îl face în profunzime.
Sortare documente adoptă o poziție diferită. Nu construiește o a doua arhivă lângă Nextcloud; funcționează în arborele de fișiere pe care îl aveți deja. Scanările rămân fișiere obișnuite în dosare obișnuite, accesibile din clientul desktop, din aplicația mobilă și din orice altă funcție Nextcloud. Aplicația adaugă recunoaștere, etichetare și sortare peste ele, per utilizator, fiecare persoană alegându-și propriul dosar de intrare, destinația și modul. Pentru o gospodărie sau o echipă mică ce trăiește deja în Nextcloud, asta înseamnă că nu aveți un al doilea sistem de salvat, un al doilea login și nicio migrare a dosarelor existente.
Compromisul este real: Sortare documente este un instrument de sortare, nu o arhivă cu propriul model de metadate și propria interfață de căutare. Dacă aveți nevoie de corespondenți în stil Paperless și de o bază de date dedicată documentelor, Paperless-ngx rămâne alegerea mai potrivită. Dacă ceea ce vreți de fapt este ca Nextcloud să nu mai fie o grămadă de scanări nesortate, acesta este instrumentul mai mic și mai natural.
Concluzie
O configurare funcțională de OCR în Nextcloud presupune trei lucruri: aplicația activată cu o licență validă, cititorul instalat pentru poze și PDF-uri scanate și un dosar de intrare folosit efectiv de fiecare utilizator. De acolo, sarcina la 15 minute face partea plictisitoare, regulile rămân editabile în JSON, iar Try the rules vă lasă să corectați greșelile fără să ghiciți. Începeți pe pagina produsului, țineți la îndemână ghidul și changelog, iar dacă ceva se comportă ciudat, baza de cunoștințe și FAQ sunt următoarea oprire.