Aller au contenu

📄 Paperless-ngx — Présentation & Configuration Premium (Sans install / Sans Docker / Sans Nginx)

GED personnelle & pro : ingestion → OCR → indexation → recherche → automatisation

Optimisé pour reverse proxy existant • Qualité OCR maîtrisée • Gouvernance (tags/owners) • Exploitation durable

TL;DR

  • Paperless-ngx transforme tes documents (scan, PDF, mail, imports) en archives recherchables : OCR + index + métadonnées.
  • Le “cœur premium” = pipeline d’ingestion propre, règles d’auto-classement, OCR robuste, taxonomie stable.
  • En exploitation : backups testés, validation, rollback, hygiène sécurité (accès contrôlé, secrets, logs).

✅ Checklists

Pré-configuration (avant d’ingérer en masse)

  • Définir une taxonomie simple : Tags / Types / Correspondents / Storage Paths
  • Définir les langues OCR réelles (pas “tout”) + qualité scan
  • Définir la stratégie de nommage fichiers exportés
  • Définir règles d’auto-tri : correspondents, types, tags, storage paths
  • Définir la politique d’accès (qui voit quoi) + groups
  • Définir un “runbook ingestion” (scanner / email / dossier d’entrée)

Post-configuration (qualité & confiance)

  • Import test : 10 documents variés (facture, courrier, contrat, scan photo, PDF natif)
  • Vérifier OCR : recherche fonctionne sur 3 mots clés par doc
  • Vérifier règles : au moins 70% auto-classé correctement
  • Vérifier stockage : paths corrects, aucun “tout va dans inbox”
  • Vérifier sauvegardes : restauration validée sur un environnement test
  • Vérifier permissions : un user non-admin ne voit pas tout

Tip

Commence avec une taxonomie minimaliste (10–20 tags max), puis itère.
Le chaos vient des tags “fourre-tout” et des règles trop agressives.

Warning

L’OCR dépend surtout de la qualité du scan (DPI, contraste, rotation) et du bon choix de langue.
Plus de langues ≠ meilleur OCR : ça peut dégrader la précision.

Danger

N’ingère pas 5 000 documents avant d’avoir validé : taxonomie + règles + OCR + backups.
Sinon tu passes des semaines à “démêler” des métadonnées.

1) Paperless-ngx — Vision moderne

Paperless-ngx n’est pas juste un “scan + OCR”.

C’est : - 🧾 Une GED orientée automatisation (règles, correspondents, tags) - 🔎 Un moteur de recherche (texte OCR + métadonnées) - 🧠 Un classement assisté (matching, suggestions, règles) - 🗂️ Un référentiel (contrats, factures, RH perso, garanties, santé, admin)

Cas d’usage typiques : - Factures & abonnements (tri automatique fournisseur) - Contrats & garanties (recherche instantanée + tags) - Courriers administratifs (dossier “impôts”, “banque”, “assurance”) - Archives famille (docs importants, scolarité, santé)

2) Architecture globale (pipeline GED)

flowchart LR Ingest["📥 Ingestion\n(scanner / email / import / dossier"] --> Consume["⚙️ Consumer\nnormalisation + détection"] Consume --> OCR["🔤 OCR\n(Tesseract/ocrmypdf)"] OCR --> Index["🧭 Indexation\ntexte + métadonnées"] Index --> Rules["🧩 Règles\n(type/correspondent/tags/path)"] Rules --> Store["💾 Stockage\noriginal + archive"] Store --> UI["🖥️ UI\nrecherche, filtres, exports"] UI --> Users["👥 Utilisateurs / Groupes"]

Idée clé : tout doit être optimisé autour de l’ingestion.

3) Modèle de données (ce qui rend la doc “gérable”)

Objets principaux

  • Document
  • Correspondent : émetteur (EDF, Banque X, Assurance Y)
  • Document Type : facture, contrat, relevé, courrier…
  • Tags : labels transverses (impôts, santé, logement, voiture)
  • Storage Paths : règles de rangement “physique” (dossiers)
  • Custom Fields (si besoin) : numéro client, référence contrat, etc.

Taxonomie premium (simple & durable)

  • Document Types : 10–20 max (ex: Facture, Contrat, Relevé, Courrier, Notice, Garantie)
  • Tags : 10–30 max (ex: Impôts, Banque, Assurance, Santé, Logement, Travail, Enfants)
  • Correspondents : au fil de l’eau (source de vérité)
  • Storage Paths : par domaine (ex: /Banque, /Assurance, /Logement, /Santé)

Tip

Document Type = “forme” (ce que c’est)
Tag = “thème” (où ça s’applique)
Ça évite les doublons et les tags inutiles.

4) OCR Premium (qualité, langue, pièges)

Règles d’or

  • Scan recommandé : 300 DPI, noir & blanc ou niveaux de gris, pages bien droites
  • OCR : choisir les langues réellement utiles (ex: fra + eng)
  • PDFs natifs : éviter de “re-OCR” inutilement (selon tes réglages)

Stratégie langue recommandée

  • Base : fra
  • Ajouter eng si documents bilingues / tech
  • Éviter 6+ langues “au cas où”

Contrôle qualité OCR (routine)

  • Tester 10 docs : factures, courriers, scans photos, PDF natifs
  • Vérifier recherche sur : nom fournisseur, montant, référence, date

5) Règles & Automatisation (le vrai “premium”)

Philosophie

  • Peu de règles, mais fiables
  • Privilégier des signaux forts :
  • Correspondent (email/source)
  • Mots clés récurrents (ex: “Facture”, “Relevé”, “Contrat”)
  • Références (IBAN partiel, n° client) via custom fields si besoin

Exemple logique (auto-classification)

flowchart TB A["Doc contient 'FACTURE'\n+ Correspondent=EDF"] --> B["Type=Facture"] B --> C["Tag=Logement"] C --> D["StoragePath=/Logement/Energie"] A2["Doc contient 'RELEVE'\n+ Correspondent=Banque X"] --> E["Type=Relevé"] E --> F["Tag=Banque"] F --> G["StoragePath=/Banque/Releves"]

“Inbox” comme buffer, pas comme destination

  • Inbox = zone tampon
  • Objectif : < 5% de docs qui restent “non classés”

Warning

Ne mets pas une règle “catch-all” trop tôt (ex: tout tagger “Admin”).
Tu masques les erreurs au lieu de les corriger.

6) Nommage & Organisation des fichiers (export stable)

Objectif : des fichiers exportés “lisibles” et cohérents.

Convention premium (exemple)

  • Date + correspondent + type + titre court
  • Langue/qualité si utile
  • Éviter les noms trop longs

Exemple de rendu attendu : - 2026-01-15 - EDF - Facture - Electricite.pdf - 2025-12-31 - BanqueX - Releve - CompteCourant.pdf

Tip

Le meilleur nommage = celui qui reste stable dans le temps et ne dépend pas d’un champ fragile.

7) Sécurité & Accès (sans recette firewall / reverse-proxy)

Principes

  • Accès uniquement via contrôle existant (SSO/forward-auth/VPN/ACL)
  • Comptes nominaux (éviter “admin partagé”)
  • Groupes : lecture vs édition, séparation perso/pro si besoin
  • Secrets : clés/MDP/SMTP dans un coffre (ou au minimum variables d’environnement protégées)

Hygiène “anti-fuite”

  • Éviter d’ingérer des documents contenant secrets en clair sans chiffrement disque
  • Masquer/limiter l’accès aux logs (stack traces peuvent contenir infos)

8) Workflows premium (usage quotidien)

8.1 “Traitement hebdo” (15 minutes)

1) Ouvrir inbox 2) Corriger 5–20 documents (type/tag/correspondent) 3) Ajuster une règle si motif récurrent 4) Vérifier un échantillon OCR (recherche 1 mot clé)

8.2 “Incident doc manquant”

  • Recherche par :
  • date approximative
  • correspondent
  • mots OCR (montant, ref client)
  • tag “domaine”
  • Si introuvable :
  • vérifier ingestion (dossier/email)
  • vérifier que le doc n’est pas “en erreur OCR”
  • vérifier filtres UI (type/tag)
sequenceDiagram participant U as Utilisateur participant P as Paperless participant C as Consumer/OCR U->>P: Recherche (mots OCR + filtre tag/type) P-->>U: Résultats ou rien U->>P: Vérifie inbox + erreurs P->>C: Statut OCR / ingestion C-->>P: OK / erreur U->>P: Corrige métadonnées ou relance traitement

9) Validation / Tests / Rollback (exploitation)

Tests fonctionnels (smoke)

# 1) Vérifier que l’UI répond (adapte l’URL)
curl -I https://paperless.example.tld | head

# 2) Vérifier qu’un import test est bien indexé (à faire via UI)
# - Importer un PDF natif + un scan
# - Rechercher 3 mots contenus dans le doc

Tests “qualité”

  • OCR : 90% des mots clés trouvés sur les docs test
  • Règles : 70% auto-classification correcte sur échantillon
  • Permissions : un user standard ne voit pas les docs d’un autre périmètre

Rollback (principe)

  • Revenir à une version antérieure = restauration DB + fichiers
  • Toujours faire :
  • backup avant upgrade
  • upgrade
  • tests smoke
  • sinon rollback immédiat

Danger

Un “backup” non testé n’est pas un backup.
La validation de restauration doit être répétée (mensuelle / trimestrielle).

10) Sources — Images Docker (format demandé, URLs brutes)

10.1 Image officielle (recommandée par le projet)

10.2 Image LinuxServer.io (existe, mais statut “deprecated” côté LSIO)

10.3 Documentation produit (pour configuration & concepts)

✅ Conclusion

Paperless-ngx “premium”, ce n’est pas l’installation : c’est la qualité du système.

  • 📥 Ingestion propre (sources maîtrisées)
  • 🔤 OCR fiable (langues + scan)
  • 🧩 Règles simples et robustes
  • 🗂️ Taxonomie stable (types/tags/paths)
  • 🧪 Validation + rollback (backups testés)

Résultat : tu retrouves n’importe quel document en quelques secondes, et le système reste maintenable sur la durée.