Bollette, contratti, garanzie, referti, ricevute fiscali: ogni casa accumula carta che va conservata per anni e che, quando serve, non si trova mai. Paperless-ngx è un'applicazione open source che trasforma questo archivio in un database consultabile: si scansiona un documento, il sistema ne estrae il testo con l'OCR, lo classifica e lo rende ricercabile per parole contenute nel testo, non solo per nome del file.
Come funziona il flusso
Il cuore di Paperless-ngx è la cartella di acquisizione (consume folder). Tutto ciò che vi finisce dentro viene preso in carico automaticamente:
- il file (PDF, immagine, ma anche email o documenti d'ufficio con i componenti opzionali) viene letto;
- l'OCR, basato su Tesseract tramite OCRmyPDF, riconosce il testo;
- viene creata una versione d'archivio in PDF/A con il testo selezionabile, mantenendo anche l'originale;
- le regole di assegnazione attribuiscono etichette, corrispondente e tipo di documento;
- il file originale viene rimosso dalla cartella di acquisizione.
La cartella può essere condivisa in rete, così lo scanner o il telefono possono salvare direttamente lì. Molti scanner da ufficio permettono di inviare i file verso una cartella condivisa: è la configurazione più comoda, perché basta premere un pulsante.
Installazione e lingua dell'OCR
Il progetto fornisce file Docker Compose già pronti, con PostgreSQL o MariaDB come database e Redis come coda. Un dettaglio spesso trascurato è la lingua dell'OCR: per documenti italiani bisogna impostarla esplicitamente, altrimenti accenti e parole vengono riconosciuti male.
environment:
PAPERLESS_OCR_LANGUAGE: "ita+eng"
PAPERLESS_TIME_ZONE: "Europe/Rome"
PAPERLESS_FILENAME_FORMAT: "{{ created_year }}/{{ correspondent }}/{{ title }}"
Il formato dei nomi dei file determina come i documenti vengono organizzati sul disco. Non è indispensabile, perché si lavora quasi sempre dall'interfaccia, ma rende l'archivio leggibile anche senza l'applicazione: un vantaggio enorme se un giorno si decidesse di abbandonarla.
Le quattro dimensioni dell'archivio
Paperless-ngx organizza i documenti su più assi indipendenti, ed è utile capire quale usare per cosa:
| Campo | Esempio | Uso |
|---|---|---|
| Corrispondente | fornitore di energia, banca, medico | chi ha emesso il documento |
| Tipo di documento | bolletta, contratto, garanzia | che cos'è |
| Etichette | casa, auto, fiscale 2025 | temi trasversali, anche più di una |
| Percorso di archiviazione | Casa/Utenze | dove finisce il file sul disco |
A questi si aggiungono i campi personalizzati, per esempio una data di scadenza o un importo, utili per garanzie e assicurazioni.
Automatizzare la classificazione
Per ogni corrispondente, tipo ed etichetta si può scegliere un algoritmo di assegnazione:
- parola esatta o qualsiasi parola: il documento riceve l'etichetta se contiene un certo termine, per esempio il numero cliente di un contratto;
- espressione regolare: per schemi più complessi;
- automatico: Paperless-ngx impara dalle classificazioni fatte a mano e propone l'assegnazione per i documenti simili.
L'approccio che funziona meglio è iniziare con l'automatico e correggere i primi documenti con pazienza: dopo qualche decina di esempi per categoria le proposte diventano affidabili. Per i casi critici, come il codice cliente di un'utenza, una regola esatta è più sicura.
I flussi di lavoro permettono inoltre di agire al momento dell'acquisizione: per esempio, tutti i file provenienti da una certa sottocartella ricevono l'etichetta «da verificare».
Acquisire anche la posta
Paperless-ngx può controllare una casella email via IMAP e importare gli allegati che rispettano certi criteri, come mittente o oggetto. È ideale per le fatture che arrivano solo in formato elettronico: si crea una regola per mittente e il documento entra nell'archivio senza intervento manuale.
Scansionare bene
La qualità dell'OCR dipende dalla scansione:
- una risoluzione di 300 dpi è il compromesso abituale tra leggibilità e dimensione;
- il bianco e nero o la scala di grigi bastano per la maggior parte dei documenti testuali;
- lo scanner con alimentatore automatico e fronte-retro fa risparmiare molto tempo;
- un'app di scansione sul telefono va bene per documenti occasionali, purché raddrizzi la pagina.
Un trucco utile: un foglio con un codice speciale di separazione (le cosiddette pagine barcode) permette di scansionare una pila di documenti in un unico file e farla dividere automaticamente.
Backup ed esportazione
Paperless-ngx include lo strumento document_exporter, che esporta originali, versioni d'archivio e metadati in una cartella. È il modo più sicuro per fare backup coerenti e per migrare a una nuova installazione:
docker compose exec webserver document_exporter ../export
La cartella di esportazione va poi copiata con il normale sistema di backup, cifrata, anche fuori casa. Va ricordato che l'archivio contiene dati molto sensibili: documenti d'identità, dati sanitari e finanziari. Meglio non esporlo su Internet e consultarlo da fuori solo tramite rete privata.
In sintesi
- Paperless-ngx rende ricercabile ogni documento grazie all'OCR e alla versione PDF/A.
- La cartella di acquisizione condivisa con lo scanner rende il flusso quasi automatico.
- Corrispondenti, tipi, etichette e campi personalizzati organizzano l'archivio su più assi.
- L'assegnazione automatica migliora con le correzioni manuali iniziali.
- Il comando di esportazione è la base di backup coerenti e migrazioni.
