【2026年】Paperless-ngx OCR ワークフロー｜書類電子化

この構成を docker-compose.yml に記述することで、一貫した環境構築が可能になります。特に注意すべき点は、データ永続化のためのボリューム（Volume）設定です。Docker はコンテナを削除すると中身が消えるため、/var/lib/docker/volumes ではなく、NAS のマウントポイントなどへのバインドマウントを行う必要があります。具体的には /mnt/data/paperless/consume や /mnt/data/paperless/media を外部ストレージに紐付けることで、バックアップや移行を容易に行えます。

OCR エンジン Tesseract と Apache Tika の設定

Paperless-ngx の中核機能である OCR（Optical Character Recognition）は、画像から文字情報を抽出する技術です。デフォルトでは Tesseract OCR が使用されますが、2026 年現在ではより高精度な処理を可能にするための設定や、Apache Tika との併用が可能になっています。Tesseract は Google が開発したオープンソースの OCR エンジンで、日本語を含む多言語に対応していますが、初期状態だと性能が発揮されません。

まず重要な設定は、言語パックのインストールです。Paperless-ngx を Docker 環境で使用する際、デフォルトでは英語のみが有効な場合があります。日本語を認識させるには、コンテナ起動時に OCR_LANGS=jpn という環境変数を指定するか、Docker Compose の設定ファイルに追加する必要があります。また、2026 年時点の Tesseract モデルは 5.3.0 ベースで精度が向上しており、従来のバージョン 4.x と比較して手書き文字や低い解像度の画像でも認識率が向上しています。

Apache Tika は、文書メタデータの抽出に優れており、PDF や Office ファイルの内部構造を解析するために使われます。Paperless-ngx ではデフォルトで Tesseract を優先しますが、Office 形式（Word, Excel）のドキュメントを PDF に変換する際や、テキストベースの PDF から OCR が不要な場合の高速化のために Apache Tika が利用されます。Tesseract と Tika の性能比較は文書種別によって異なりますが、一般的なスキャン画像においては Tesseract の方が優れています。

Tesseract の性能を最大限引き出すためには、設定ファイルの調整も有効です。/etc/tesseract/tessdata ディレクトリに適切なデータファイルを配置し、オプションパラメータを指定することで、文字認識の精度を上げることができます。例えば、--psm 6 オプション（ブロック間の統一）や --oem 3 オニューム（ LSTM モデル使用）などを設定ファイルで有効化することで、複雑なレイアウトを持つ請求書などでも認識率が向上します。特に、2025 年以降のバージョンでは OCR のパラメータ調整が Docker コンテナ内で動的に可能になっているため、一度スキャンして精度を確認し、必要に応じてコンテナを再起動して設定を適用させるワークフローが推奨されます。

AI 分類と Ollama の連携によるインテリジェント処理

2026 年時点で Paperless-ngx が持つ最も革新的な機能の一つに、Ollama との連携があります。Ollama はローカル環境で動作する軽量 LLM（大規模言語モデル）実行ツールであり、生成 AI をローカルのサーバー上で動かすことができます。これにより、外部 API に依存せず、個人情報を含んだ文書の内容を外部に送信することなく、AI による分類や要約が可能になります。Paperless-ngx 2.13 では、この連携機能が標準設定でサポートされています。

具体的な連携手順は、Ollama を Docker コンテナとして起動し、そのエンドポイントを Paperless-ngx の設定ファイルから指定するだけです。例えば、「この文書は請求書です」という判定を AI に求める場合、システムプロンプトに「文書のタイトル、本文、日付の情報を元に、この文書の種類（請求書、領収書、契約書など）を 3 つで出力してください」と指示します。AI は文書内のテキストを解析し、最も適切なタグやカテゴリを自動生成します。

この機能を利用する最大のメリットは、ルールベースの分類では対応できない「あいまいな文書」の処理です。例えば、「〇〇株式会社から届いた書類だが正式名称が不明」といった場合でも、AI は文脈から判断して「請求書（未確定）」や「見積書の可能性あり」というタグを付与できます。ただし、注意点として AI 分類は CPU に負荷がかかるため、設定ファイルで ENABLE_OCR_AI=1 の他に、同時に実行する AI ワーカー数を制限する必要があります。また、プライバシーの観点から、Ollama のモデルには Llama 3.2 や Mistral などの軽量モデルを推奨し、パラメータ数が少ないものを選んで運用することで、レスポンス時間を短縮できます。

自動タグ付けと日付抽出のワークフロー構築

Paperless-ngx の真価は、スキャンした文書を自動的に整理する機能にあります。2026 年時点では、ルールベースのマッチングシステムがさらに洗練されており、ファイル名や本文内の特定キーワードに基づいて自動的にタグ付けを行うことができます。例えば、「請求書」という文字が含まれる PDF には「請求書」タグを付与し、「2025-」という日付形式が含まれていれば、日付メタデータとして保存します。

自動タグ付けの設定は、Paperless-ngx の Web UI から「ルール設定」画面で行います。ここでは「マッチャー」という概念を使用します。マッチャーとは、特定の条件にマッチした文書に対して自動的にアクションを実行する仕組みです。例えば、「ファイル名が 'invoice' を含む場合 -> タグ '請求書' を追加」といったシンプルなルールから、「本文中に '支払期限' と '2026-04' が含まれる場合 -> カテゴリ '経費' へ移動」のような複雑なロジックまで設定可能です。

日付抽出については、正規表現（Regex）を用いたマッチングが非常に強力です。日本国内の文書では「令和〇年」「西暦 YYYY 年 MM 月 DD 日」「YYYY/MM/DD」といった多種多様な日付形式が存在します。Paperless-ngx ではこれらの形式をデフォルトで認識していますが、特殊なフォーマットの場合にはユーザーが独自に正規表現を追加登録できます。例えば、「2026.04.15」のようなドット区切り形式は標準では認識しにくい場合があるため、設定ファイルの DATE_FORMATS に独自パターンを追加することで対応します。

また、タグ付けと連動して「保存ルール」を設定することで、特定の文書が自動的に特定のフォルダ（デジタルアーカイブ上のディレクトリ）に移動させることができます。これにより、検索結果の整理や、税務調査時のファイル提出準備を自動化できます。ただし、AI 分類と自動ルールは競合することがあるため、優先順位を Web UI の設定で明確に定義しておくことが重要です。通常、手動タグ付け > AI 分類 > ルールベースの順序で評価されるよう設定するのが安全です。

スキャナ連携：ScanSnap/ADF デバイスとの接続方法

Paperless-ngx はサーバー上にあるシステムですが、実際には物理的なスキャナデバイスから文書をデジタル化する必要があります。2026 年時点でも最も一般的なのは、Fujitsu ScanSnap iX1600 や Brother ADS-4700W などの高速 ADF（自動給紙機）搭載モデルです。これらの機器を Paperless-ngx と連携させるためには、「Scan to Email」や「Scan to Folder」といったネットワーク機能を利用するのが最も確実な方法です。

Fujitsu ScanSnap iX1600 を例に取ると、このスキャナは内部に Web サーバーを持ち、ブラウザから設定を管理できます。「Scan to Folder」機能を有効化し、Synology NAS の共有フォルダ（例：\\NAS\ScanInput）への書き込み許可を設定します。これにより、紙文書を読み込むと自動的に PDF ファイルが指定されたフォルダに保存されます。Paperless-ngx 側では、この「消費ディレクトリ」を監視する設定を行い、新しいファイルが入った瞬間に OCR 処理を開始します。

Brother ADS-4700W や Canon imageFORMULA DR-C230 といった他社製品でも基本的な連携方法は同様です。Canon の場合、「Scan to PC Folder」機能を用いて、NAS の IP アドレスを宛先として登録します。重要なのは、スキャナから送信されるファイル形式が「PDF/A-1b（アーカイブ用）」であるかを確認することです。これにより、長期保存に適したフォーマットでデータを受け取ることができます。また、2026 年現在では USB 接続のみのスキャナも存在しますが、ネットワーク連携が可能なモデルを選ぶことで、サーバー側での自動監視設定が可能になり、手動でのファイル移動の手間を省けます。

Brother ADS-4700W のようなモデルでは、Wi-Fi 接続によるスキャンもサポートしています。ただし、無線通信の不安定さを避けるため、有線 LAN での固定 IP 割り当てが推奨されます。また、Canon の DR-C230 は業務用として耐久性に優れており、1 日あたり最大 8,000 ページの処理能力を誇ります。大規模な文書管理を行う場合や、毎日の大量スキャンが発生する環境では、このクラスの高性能スキャナを選択することで、サーバー側の OCR 待ち時間を最小化できます。

コンテンツ消費ディレクトリと監視設定の最適化

Paperless-ngx が自動的に文書を処理するために重要な「消費ディレクトリ（Input Directory）」の設定です。これは、スキャナやユーザーがファイルを置く場所であり、システムがこれを常時監視しています。2026 年時点の Docker 環境では、このディレクトリの権限設定と監視間隔が性能に直結します。Docker コンテナ内で /consume ディレクトリを外部ストレージにマウントする際、所有者（UID/GID）を一致させることが必須です。

例えば、Synology NAS の場合、ユーザー ID は 1026 や 1001 など固定されていることが多いです。Docker コマンドで user: "1001" を指定しないと、「読み取り権限がない」エラーが発生し、ファイルが監視されません。また、監視間隔（Polling Interval）はデフォルトでは 5 秒ですが、大量のファイルを一度に保存する場合や、ネットワーク遅延がある場合は 30 秒以上に設定変更することで、サーバーの CPU バーストを抑制できます。

さらに、監視ディレクトリ内のファイル名ルールも重要になります。「Scan_20260415.pdf」のような命名規則に従うことで、後からの整理がしやすくなります。自動で生成されるテンプレート機能を使うと、「スキャン日付_文書種別_顧客名.pdf」といった形式に自動的にリネームされます。これにより、手動でのファイル整理が不要になります。また、監視設定において「削除済み」のファイルを再処理しないためのフラグ（CONSUME_DELETE=0）を適切に設定することで、ミスを防ぎます。

監視設定の最適化において、Redis を使用したキュー管理が重要な役割を果たします。大量のスキャンファイルが同時に到着した場合、すべてを即座に処理しようとするとサーバーがクラッシュする可能性があります。Redis がキューとして機能し、処理可能な数だけ順次 OCR 処理を実行します。この仕組みを利用することで、サーバーの安定性が保たれます。特に Synology のような低スペックNAS では、CPU 負荷の高い OCR 処理を Redis で制御するのが必須です。

検索クエリの高度な活用とファストキャッシュ

Paperless-ngx を導入する最大のメリットは、紙文書を検索できることです。2026 年時点では、ElasticSearch ベースの検索エンジンがさらに高速化されており、数百万件に達するドキュメント群でも瞬時に結果を返せるようになりました。しかし、検索性能を最大化するためには、適切なクエリ構文とキャッシュ設定が必要です。

基本的な検索はテキストベースですが、Paperless-ngx はメタデータ（日付、タグ、作成者など）による絞り込みも強力に行えます。「2026-04」のような日付範囲指定や、「請求書 AND 未処理」のような論理演算が可能です。さらに、高度な機能として「全文検索」以外でも、ファイル名やメタデータ内の文字列に対する部分一致検索が有効です。

ファストキャッシュの設定は、頻繁にアクセスされる文書の読み込み速度を向上させるために重要です。Docker コンテナ内または外部リバースプロキシ（Nginx）層でキャッシュを有効化することで、Web UI の表示速度が向上します。具体的には、ブラウザのキャッシュヘッダーを設定するか、Redis を用いて検索結果をキャッシュします。これにより、同じ文書を再度開く際に、OCR 処理やデータベースクエリをスキップできます。

また、2026 年時点では検索インデックスの再構築機能も強化されています。OCR エンジンのアップデート後や、システム設定変更後に検索精度を上げるために、「Rebuild Index」ボタンを実行することで、データベース内のインデックスを更新します。これにより、以前はヒットしなかったキーワードが検出されるようになります。

運用とバックアップ戦略、セキュリティ対策

Paperless-ngx の長期運用には、データの永続性とセキュリティが不可欠です。2026 年時点では、データ漏洩のリスク管理が重視されるため、SSL 化やアクセス制御の設定が必須となっています。まず、外部からの接続を防止するために、Nginx Proxy Manager を用いて HTTPS（SSL/TLS）通信を確立します。この際、Let's Encrypt の証明書を利用することで無料で安全な暗号化通信を実現できます。

セキュリティ対策として重要なのは、Docker コンテナの隔離と権限管理です。Paperless-ngx は Docker で動作しますが、コンテナ内でのファイル操作には注意が必要です。例えば、OCR 処理時に一時的に生成される中間ファイルや、ログファイルは定期的に削除する必要があります。また、データベース（PostgreSQL）のバックアップを自動化することが重要です。

バックアップ戦略においては、「毎日」「週次」のスケジュール設定が必要です。Paperless-ngx のデータディレクトリ（/data）、Docker Volume、および [PostgreSQL データベースのスナップショットを取得します。Synology NAS を使用している場合、Hyper Backup や Snapshot Replication 機能と連携することで、より堅牢なバックアップ体制を構築できます。具体的には、毎朝 4 時に自動で /mnt/data/paperless フォルダ全体を NAS の別ボリュームへコピーするスクリプトを実行します。

セキュリティの観点から、ログイン後のセッション管理も重要です。Paperless-ngx の設定ファイルで SESSION_COOKIE_SECURE=1 を設定し、SSL 接続時のみクッキーを送信させるようにします。また、2FA（多要素認証）が標準サポートされているため、管理者アカウントには必ずこれを有効化し、パスワードの流出リスクを最小限に抑えます。さらに、外部からの SSH アクセスは禁じ、Docker コンテナへのアクセスは Web UI を介したみに制限するのがベストプラクティスです。

よくある質問（FAQ）

Q1. Paperless-ngx の OCR 認識率が低い場合どうすればよいですか？

A. まず、Tesseract OCR の言語パックが正しくインストールされているか確認してください。Docker コンテナ内で ocr_langs 変数に jpn を含んでいるか確認し、コンテナを再起動します。また、スキャン時の解像度が 200dpi 未満の場合も認識率が低下するため、スキャナの設定で 300dpi 以上を推奨します。さらに、照明の暗い場所や汚れのある文書は、AI モデルが学習しているデータと乖離するため、一度画像調整ソフトで補正してからスキャンすることも有効です。

Q2. Docker コンテナが起動しません（エラーコード：Container exited）

A. これは通常、ポート競合または権限不足が原因です。ポート 8000 が既に別のサービスで使用されていないか確認し、コンテナの ports セクションで変更してください。また、Synology NAS で Docker を使用する場合は、ユーザー ID（UID）とグループ ID（GID）がホスト側のファイル所有者と一致している必要があります。user: "1026:1001" のような設定を確認してください。

Q3. 大量のスキャンを一度に行うとサーバーがフリーズします

A. これは OCR 処理の負荷が CPU を圧迫しているためです。[Docker Compose](/glossary/pose-context-window-extension) ファイルで CONSUME_WORKER_COUNT を減らすか、Redis のキューサイズを調整してください。また、Synology のような低スペック機では、OCR 処理時に他のプロセス（例えばバックアップ処理）と同時に行わないようスケジュールをずらしてください。

Q4. 自動タグ付けが機能しない場合の対処法

A. ルール設定で指定したキーワードが文書に含まれていない可能性があります。まず、手動で「検索」機能を使って該当キーワードが含まれているか確認し、その後にマッチャーを設定し直します。また、Ollama と連携している場合は、AI モデルのモデルファイルサイズが大きすぎて読み込みに時間がかかっている可能性があります。軽量なモデル（Llama-3.2）に変更してください。

Q5. スキャナから PDF が送られてこない

A. スキャナのネットワーク設定を確認してください。「Scan to Folder」機能で NAS の共有フォルダパスが正しいか、またスキャナ側のユーザー権限で書き込みが可能か確認します。特に Fujitsu ScanSnap の場合、ドライバーのバージョンアップデートが必要な場合があります。NAS 側でも SMB プロトコルが有効化されていることを確認してください。

Q6. 検索結果にファイル名が含まれない

A. Paperless-ngx はデフォルトでファイル名もインデックス対象にしていますが、設定ファイルで ENABLE_FULLTEXT_SEARCH が無効になっている可能性があります。また、インデックスが古くなっている場合、「Rebuild Index」機能を実行することで更新されます。

Q7. Docker Volume の容量がいっぱいになります

A. メディアファイル（画像や PDF）の保存量が膨大になるためです。Synology NAS の場合、ディスク使用量の監視を行い、不要なログファイルを削除してください。また、OCR 処理後の中間ファイルを自動削除する設定を確認し、定期的なクリーンアップスクリプトを実行することをお勧めします。

Q8. 外部から Paperless-ngx にアクセスしたいが SSL エラーが出る

A. これは証明書の問題です。Nginx Proxy Manager を使用して Let's Encrypt の証明書を発行し、Docker コンテナにマウントしてください。また、ブラウザのキャッシュや DNS 設定を確認し、正しく HTTPS 接続されているか確認してください。

まとめ

本記事では、Paperless-ngx を中心とした OCR ワークフローの構築方法を、2026 年時点の最新技術を用いて詳細に解説しました。以下の要点を整理します。

• 環境選定: Synology NAS（DS923+ 推奨）と Docker コンテナ化が標準的な導入方法であり、CPU 2 コア・RAM 4GB を確保すれば安定動作します。
• OCR エンジン: Tesseract OCR の言語パック（jpn）設定と、Apache Tika との併用で文書種別ごとの処理速度を最適化できます。
• AI 連携: Ollama を使用した生成 AI による自動分類機能は、ルールベースでは対応できない文書の整理に威力を発揮します。
• スキャナ連携: Fujitsu ScanSnap iX1600 や Brother ADS-4700W など、Scan to Folder 機能を有効化し、NAS の共有フォルダへ直接保存する構成が最も効率的です。
• 運用・セキュリティ: SSL（HTTPS）通信の確立と、定期的なデータベースバックアップが必須であり、Redis を用いたキュー管理でサーバー負荷を軽減できます。

Paperless-ngx は、適切に設定されれば紙文書の管理から解放される強力なツールです。本ガイドにある具体的なコマンドや設定値を実際に試すことで、あなた自身の手で理想的なデジタルオフィス環境を実現できるはずです。2026 年 4 月時点での最新機能を最大限に活用し、情報セキュリティと生産性の両立を図ってください。

読み込み中…

TERRAMASTER NASキット 4ベイ F4-425 デスクトップ Intel X86 クアッドコアCPU 4GB DDR4 RAM、2.5GbE、USBポート 2 * 10Gbps 1 * 5Gbps、個人、ホーム向けネットワークストレージ「HDD付属なし」