OSFRIA Découvrir les outils

OSIALab · Documents / RAG

Paperless-ngx — archiver et retrouver vos documents en local

Paperless-ngx transforme une pile de papiers et de PDF en une bibliothèque indexée et cherchable : il passe chaque document à l'OCR, en extrait le texte, propose étiquettes et correspondants, et vous le rend en quelques secondes par mot-clé, date ou tag — le tout sur votre infrastructure.

Page informative, sans valeur de conseil. Installez depuis la source officielle, vérifiez la licence du logiciel, et gardez en tête qu'un OCR peut se tromper sur un document dégradé : contrôlez les pièces importantes.

À quoi ça sert

Paperless-ngx est un système de gestion électronique de documents (GED) open source. Vous déposez un fichier dans un dossier surveillé ; il le détecte, le passe à l'OCR, en extrait le texte intégral, devine la date, propose un type, des étiquettes et un correspondant, puis archive le tout dans une base indexée. Ensuite, une recherche plein texte retrouve n'importe quel document en quelques secondes.

Paperless-ngx est d'abord fait pour ranger et retrouver. Depuis la version 3, il propose aussi, en option, une discussion avec vos documents par IA : avec un modèle local (Ollama), vos documents restent dans votre périmètre ; avec un fournisseur en ligne, vos documents lui sont envoyés. En revanche, parce qu'il produit un texte propre et structuré, il constitue une bonne source en amont d'un RAG — on branche ensuite un outil comme AnythingLLM ou Khoj pour l'interrogation en langage naturel.

Ce qui fait sa force

  • Un OCR éprouvé. Paperless-ngx s'appuie sur OCRmyPDF (moteur Tesseract) : il ajoute une couche texte sélectionnable aux PDF scannés tout en conservant l'image d'origine. Vous gardez le document tel quel, mais il devient cherchable.
  • Classement automatique qui apprend. Au fil de vos validations, l'outil affine la suggestion d'étiquettes, de types et de correspondants. Plus on l'utilise, moins on trie à la main.
  • Tout reste chez vous. Aucune dépendance à un service en ligne, tant que vous n'activez ni l'IA avec un fournisseur en ligne ni un OCR distant : base de données, fichiers et index vivent sur votre machine ou votre serveur. C'est une vraie alternative locale aux GED cloud.
  • Une architecture robuste et standard. Application Django, base PostgreSQL, files de tâches via Redis, et — en option — Apache Tika et Gotenberg pour ingérer les documents bureautiques (Word, Excel, PowerPoint). Des briques connues, faciles à sauvegarder et à superviser.
  • Projet vivant et documenté. Reprise communautaire très active de l'ancien Paperless-ng, avec des releases fréquentes et une documentation soignée.

Pour qui

Pour les particuliers et les petites structures qui veulent en finir avec les classeurs et les PDF éparpillés — sans confier leurs documents à un service cloud. Niveau requis : avancé pour l'installation (Docker Compose, quelques variables à régler) ; une fois en place, l'usage quotidien est très accessible. Pour préparer en amont des PDF complexes destinés à un RAG, voyez Docling.

Installation

Prérequis

Docker et Docker Compose, sur votre machine ou un serveur local. Comptez Redis ≥ 6 et une base PostgreSQL — le fichier Compose officiel les inclut.

Déploiement avec Docker Compose

À savoir avant de copier une commande : à la première visite de l'interface, Paperless-ngx propose de créer le compte administrateur : c'est donc la première personne qui ouvre la page qui le crée. Or le fichier Compose officiel publie le port 8000 sur toutes les adresses de la machine ("8000:8000"), et le fichier docker-compose.env livré contient une clé secrète d'exemple (PAPERLESS_SECRET_KEY=change-me), que la documentation demande de remplacer par une valeur aléatoire. Faites ces deux réglages avant le premier lancement.

La méthode recommandée part d'un fichier Compose fourni par le projet (ici la variante avec PostgreSQL et Tika), enregistré sous le nom docker-compose.yml, comme le demande la documentation : toutes les commandes suivantes le trouvent alors sans option -f.

# Récupérer la configuration officielle, sous le nom attendu
curl -o docker-compose.yml https://raw.githubusercontent.com/paperless-ngx/paperless-ngx/main/docker/compose/docker-compose.postgres-tika.yml
curl -O https://raw.githubusercontent.com/paperless-ngx/paperless-ngx/main/docker/compose/docker-compose.env
curl -O https://raw.githubusercontent.com/paperless-ngx/paperless-ngx/main/docker/compose/.env

# Avant le premier lancement :
# 1. docker-compose.yml : limitez le port à votre machine
#      ports:
#        - "127.0.0.1:8000:8000"
# 2. docker-compose.env : remplacez PAPERLESS_SECRET_KEY=change-me par une valeur aléatoire
#    (par exemple : openssl rand -hex 32), puis réglez le fuseau et la langue d'OCR

# Lancer la pile
docker compose pull
docker compose up -d

L'interface est ensuite accessible sur http://localhost:8000.

Créer le compte administrateur

À la première visite de l'interface, Paperless-ngx propose de créer le compte administrateur : faites-le aussitôt, avec un mot de passe fort. Vous pouvez aussi le créer en ligne de commande, depuis le même dossier :

docker compose run --rm webserver createsuperuser

Importer vos premiers documents

Déposez vos fichiers dans le dossier de consommation (le consume, défini dans la config). Paperless-ngx les détecte, lance l'OCR, en extrait le texte et les ajoute à votre bibliothèque. Pensez à régler la langue d'OCR (ex. fra) pour de bons résultats sur du français.

Points de vigilance

Paperless-ngx garde tout en local : les vrais points portent sur la sauvegarde de votre archive et sur l'exposition réseau si vous le rendez accessible à distance.

Point d'attention Niveau Ce qu'il faut savoir
Sauvegarde de l'archive 🔴 sans sauvegarde Votre bibliothèque vit dans trois volumes : les documents (media), la base PostgreSQL (métadonnées, tags, index) et la configuration. Une panne disque sans sauvegarde, c'est l'archive perdue. Sauvegardez les volumes et un dump de la base, régulièrement.
Exposition de l'interface sur Internet 🔴 si exposé en direct Le port 8000 sert une interface qui contient potentiellement tous vos documents. Ne l'ouvrez jamais directement sur Internet : placez-le derrière un reverse-proxy HTTPS (Nginx, Caddy) avec authentification, ou un VPN.
Fidélité de l'OCR 🟡 selon le document Sur un scan net, l'OCR est fiable ; sur un document froissé, basse résolution ou manuscrit, la transcription se dégrade — et un document mal océrisé devient difficile à retrouver. Réglez la bonne langue et contrôlez les pièces critiques.
Licence du logiciel 🟡 à connaître Paperless-ngx est distribué sous licence GPL-3.0 (copyleft fort). Pour un usage interne, aucune contrainte particulière ; en cas de redistribution d'une version modifiée, la GPL impose de publier le code source correspondant. À lire avant tout projet de distribution.

Sécurité

  • N'exposez jamais le port 8000 en direct. Reverse-proxy (Nginx, Caddy) avec HTTPS et certificat valide, ou accès via VPN uniquement.
  • Mots de passe forts dès l'installation dans la configuration (compte admin, base de données), et une clé PAPERLESS_SECRET_KEY aléatoire à la place de change-me.
  • Sauvegardez les trois volumes (documents, base PostgreSQL, config) selon un calendrier régulier — et testez une restauration au moins une fois.
  • Tenez la pile à jour. Les releases corrigent régulièrement des points de sécurité ; suivez-les sur le dépôt officiel.
  • Restreignez les droits des dossiers de stockage à l'utilisateur qui exécute Docker.

Aller plus loin

  • Docling — convertir vos PDF en Markdown structuré avant ingestion RAG.
  • AnythingLLM — interroger en langage naturel les documents archivés.
  • Khoj — assistant personnel avec recherche dans vos fichiers.
  • OSIALab — vue d'ensemble de tous les outils.

Sources