V2EX = way to explore
V2EX 是一个关于分享和探索的地方
现在注册
已注册用户请  登录
工单节点使用指南
• 请用平和的语言准确描述你所遇到的问题
• 厂商的技术支持和你一样也是有喜怒哀乐的普通人类,尊重是相互的
• 如果是关于 V2EX 本身的问题反馈,请使用 反馈 节点
Licsber
V2EX  ›  全球工单系统

v2 发现一个工具 paperless 体验了下不错 就是 Office 支持目前是挂的 尝试通过换依赖版本简单修复未果 看 issues 才发现 LibreOffice 这是个何等的屎山 五十万 commits 每小时不断

  •  1
     
  •   Licsber · 2023-02-16 22:36:15 +08:00 · 1938 次点击
    这是一个创建于 653 天前的主题,其中的信息可能已经有所发展或是发生改变。

    分析依赖链条如下

    paperless-ngx

    需求将 Office 文件转化为 pdf

    paperless 依赖 tika (通过调用 http://tika:9998

    tika 依赖 gotenberg (通过调用 http://gotenberg:3000/forms/libreoffice/convert

    gotenberg 依赖 unoconv (通过 cmd 调用 /usr/bin/unoconv

    此时 gotenberg 容器中 libreoffice 以 headless 启动 监听 tcp44573 (为什么不能常驻?因为有内存泄漏!哭笑不得

    (第一次启动会报一个 81 的错误码 然后 gotenberg 第二次尝试启动才能起来 这是正常行为!这居然是正常行为!? log 里打了一句 got exit code 81, e.g., LibreOffice listener first start.

    unoconv 依赖 libreoffice (通过容器中调用 http://localhost:44573

    问题出在这一步 libreoffice 会直接报错误码 6 然后监听进程就没了

    理所当然的 gotenberg 向 tika 返回 500 Internel Error 然后 paperless-ngx 网页也炸了

    目前 paperless-ngx 依赖的 gotenberg 版本为 7.8

    issues 中提到回退 gotenberg 到 7.4 版本可以解决问题 但是目前 latest 的 paperless-ngx 已经无法使用 7.4 的 gotenberg 会报 400 因为接口名字换了 最终目前能用的方法就是一起回退 (太蠢了

    另外这个项目里 unoconv 也是 deprecated 的状态(新的库是 Unoserver

    直到我排查到了 LibreOffice 这个库 才发现宝藏 居然还有版本号是 7.6.0 (7.3.5.2 30(Build:2))这样命名的系统(

    这里介绍了目前 work 和不 work 的大概版本 https://github.com/gotenberg/gotenberg/issues/576

    依赖它的库真的是太好玩了 https://github.com/gotenberg/gotenberg/commit/e4a553c022ff076bbd3a1c5e59cc45172b461771

    Next lines are not currently relevant, as latest versions of LibreOffice (i.e., > 7.0.4) are causing troubles.

    分享下我现在的 docker-compose 文件 希望有大佬能修一下

    version: '3'
    
    services:
      broker:
        image: docker.io/library/redis:7
        restart: unless-stopped
        volumes:
          - /data/paperless-ngx1/redis:/data
    
      webserver:
        image: ghcr.io/paperless-ngx/paperless-ngx:latest
        restart: unless-stopped
        depends_on:
          - broker
          - gotenberg
          - tika
        ports:
          - 38000:8000
        healthcheck:
          test: ["CMD", "curl", "-fs", "-S", "--max-time", "2", "http://localhost:8000"]
          interval: 30s
          timeout: 10s
          retries: 5
        volumes:
          - ./apt.list:/etc/apt/sources.list
          - /data/paperless-ngx1/data:/usr/src/paperless/data
          - /data/paperless-ngx1/media:/usr/src/paperless/media
          - /data/paperless-ngx1/export:/usr/src/paperless/export
          - /data/paperless-ngx1/consume:/usr/src/paperless/consume
        env_file: paperless1.env
        environment:
          PAPERLESS_REDIS: redis://broker:6379
          PAPERLESS_TIKA_ENABLED: 1
          PAPERLESS_TIKA_GOTENBERG_ENDPOINT: http://gotenberg:3000
          PAPERLESS_TIKA_ENDPOINT: http://tika:9998
    
      gotenberg:
        image: docker.io/gotenberg/gotenberg:7.8
        restart: unless-stopped
    
        # The gotenberg chromium route is used to convert .eml files. We do not
        # want to allow external content like tracking pixels or even javascript.
        command:
          - "gotenberg"
          # - "--log-level=debug"
          - "--api-timeout=600s"
          # - "--uno-listener-start-timeout=180s"
          - "--chromium-disable-javascript=true"
          - "--chromium-allow-list=file:///tmp/.*"
    
      tika:
        image: ghcr.io/paperless-ngx/tika:latest
        restart: unless-stopped
    
    # The UID and GID of the user used to run paperless in the container. Set this
    # to your UID and GID on the host so that you have write access to the
    # consumption directory.
    USERMAP_UID=1011
    USERMAP_GID=1011
    
    # Additional languages to install for text recognition, separated by a
    # whitespace. Note that this is
    # different from PAPERLESS_OCR_LANGUAGE (default=eng), which defines the
    # language used for OCR.
    # The container installs English, German, Italian, Spanish and French by
    # default.
    # See https://packages.debian.org/search?keywords=tesseract-ocr-&searchon=names&suite=buster
    # for available languages.
    PAPERLESS_OCR_LANGUAGES=chi-sim
    
    ###############################################################################
    # Paperless-specific settings                                                 #
    ###############################################################################
    
    # All settings defined in the paperless.conf.example can be used here. The
    # Docker setup does not use the configuration file.
    # A few commonly adjusted settings are provided below.
    
    # This is required if you will be exposing Paperless-ngx on a public domain
    # (if doing so please consider security measures such as reverse proxy)
    PAPERLESS_URL=https://d******e
    
    # Adjust this key if you plan to make paperless available publicly. It should
    # be a very long sequence of random characters. You don't need to remember it.
    PAPERLESS_SECRET_KEY=helloworld
    
    # Use this variable to set a timezone for the Paperless Docker containers. If not specified, defaults to UTC.
    PAPERLESS_TIME_ZONE=Asia/Shanghai
    
    # The default language to use for OCR. Set this to the language most of your
    # documents are written in.
    PAPERLESS_OCR_LANGUAGE=chi_sim
    
    # Set if accessing paperless via a domain subpath e.g. https://domain.com/PATHPREFIX and using a reverse-proxy like traefik or nginx
    #PAPERLESS_FORCE_SCRIPT_NAME=/PATHPREFIX
    #PAPERLESS_STATIC_URL=/PATHPREFIX/static/ # trailing slash required
    

    真的 求一个 C 艹的大佬拯救一下这个库吧 真的有人用 LibreOffice 吗?

    4 条回复    2023-02-17 13:58:54 +08:00
    evilStart
        1
    evilStart  
       2023-02-17 01:16:12 +08:00 via Android   ❤️ 2
    想转换文档的话直接用 pandoc 把,轻巧可控,不会有这些问题
    Licsber
        2
    Licsber  
    OP
       2023-02-17 13:00:31 +08:00
    @evilStart #1 有没有可能我只是想用一下 paperless 这个软件 hhh
    自己转换文档的话其实怎么都可以 主要就是这个软件本身不支持创建空的文档记录
    也不支持替换文件 或者替换原始文件 大概梳理了一下这个软件的机制
    就是原始文件传上去之后 要压缩一遍 统一做成 pdf 然后生成 webp 格式的缩略图
    同时对原始文件的全部要素做 OCR 识别( tesseract ocr )然后保存成元数据
    其实我更应该贡献点代码 增加一下手动替换文件的功能 可惜最近没什么精力
    evilStart
        3
    evilStart  
       2023-02-17 13:23:04 +08:00 via Android   ❤️ 1
    @Licsber 直接向 paparless 提 issue 吧。我大概看了一下,似乎使用 gotenburg 能做的事情 pandoc 也能做?看看能不能直接把他替换掉
    Licsber
        4
    Licsber  
    OP
       2023-02-17 13:58:54 +08:00
    @evilStart #3 我还在看源码 看看我能不能改改 不能的话提 issue
    关于   ·   帮助文档   ·   博客   ·   API   ·   FAQ   ·   实用小工具   ·   2470 人在线   最高记录 6679   ·     Select Language
    创意工作者们的社区
    World is powered by solitude
    VERSION: 3.9.8.5 · 25ms · UTC 02:18 · PVG 10:18 · LAX 18:18 · JFK 21:18
    Developed with CodeLauncher
    ♥ Do have faith in what you're doing.