Was ist eine Volltextsuche?

Einfach erklärt

Im Papierarchiv finden Sie einen Brief nur, wenn Sie wissen, in welchem Ordner er steckt. Eine Volltextsuche arbeitet wie das Stichwortverzeichnis am Ende eines Buchs, nur für Ihr ganzes Archiv: Das System hat sich zu jedem Wort gemerkt, in welchen Dokumenten es vorkommt. Sie tippen „Wartungsvertrag Heizung“ und bekommen alle Dokumente, in denen diese Wörter stehen, gleich wie die Datei heißt und wo sie liegt.

Was dafür nötig ist

• Die Dokumente brauchen Text. Bei digitalen PDFs ist er schon enthalten, bei Scans liefert ihn die Texterkennung (OCR).
• Das System führt ein Verzeichnis, den Suchindex. Neue Dokumente kommen beim Einlesen hinein.
• Sie sehen nur Treffer in Dokumenten, die Sie auch öffnen dürfen.

So finden Sie schneller

• Geben Sie mehrere Wörter ein. In Paperless-ngx zum Beispiel zeigt die Suche dann nur Dokumente, die alle Wörter enthalten.
• Verbinden Sie Suchwörter mit Angaben wie Absender, Dokumentart oder Zeitraum. Diese Angaben liefern die Metadaten.
• Suchen Sie nach dem, was sicher im Dokument steht: Rechnungsnummer, Kundennummer, Kennzeichen eines Fahrzeugs.

Was eine Volltextsuche nicht kann

Sie findet nur, was als Text vorliegt. Ein schlecht erkannter Scan bleibt unsichtbar, ein Foto ohne Texterkennung ebenso. Sie versteht keine Bedeutung: Wer „Kündigung“ sucht, findet kein Schreiben, in dem nur „Vertragsende zum 31. März“ steht. Für eine Betriebsprüfung reicht sie allein auch nicht aus. Was das Finanzamt beim Zugriff auf Ihre Daten erwartet, steht im Beitrag zu den GoBD.

Index statt Durchsuchen

Eine Volltextsuche liest bei einer Anfrage nicht alle Dateien, sondern einen invertierten Index: Zu jedem Term steht die Liste der Dokumente, in denen er vorkommt. Beim Indexieren wird der Text in Wörter zerlegt (Tokenizer), vereinheitlicht (Kleinschreibung, Akzente) und oft auf den Wortstamm gekürzt (Stemming), damit „Rechnungen“ auch „Rechnung“ findet. Die Treffer werden nach Relevanz sortiert.

Beispiel Paperless-ngx

Seit Version 3.0 nutzt Paperless-ngx die Suchbibliothek Tantivy, vorher Whoosh. Die Stammformen richten sich nach PAPERLESS_SEARCH_LANGUAGE, ohne Angabe nach der OCR-Sprache. Ändert sich die Sprache, baut Paperless-ngx den Index beim nächsten Start neu auf. Neben freien Begriffen kennt die Suche Felder, Operatoren und Bereiche:

wartung heizung
correspondent:"muster energie" type:rechnung
created:[2025 to 2026] NOT storniert

Begriffe ohne Operator werden mit AND verknüpft. Eigene Felder und Notizen erreicht nur die erweiterte Syntax, etwa custom_fields.value:....

Was die GoBD erwarten

Eine Volltextsuche ist eine Form der maschinellen Auswertbarkeit (GoBD Rz. 126). Für den unmittelbaren Datenzugriff des Prüfers reichen eine Volltextsuche, eine Ansichtsfunktion oder ein System, das nur Schlagworte als Indexwerte nachweist, regelmäßig nicht aus (Rz. 174). Erwartet werden die im System vorhandenen Auswertungen wie Filtern, Sortieren und Konsolidieren.

Typische Fehler

• Minus statt NOT. In Paperless-ngx schließt ein vorangestelltes - nichts aus. rechnung -storniert findet Dokumente mit beiden Wörtern. Richtig ist rechnung NOT storniert.
• Zu langer Platzhalter. Speichert der Index Wortstämme, findet ein Präfix, das über den Stamm hinausgeht, nichts. Ein kürzeres Präfix hilft.
• Index veraltet nach einer Wiederherstellung aus dem Backup oder nach manuellen Eingriffen in die Datenbank.
• Rechte im Index ignoriert. Eine Suchlösung neben dem DMS zeigt Textauszüge aus Dokumenten, die der Benutzer nicht öffnen darf.
• Keine Textebene. Bilder ohne OCR fehlen in jeder Trefferliste.

Prüfen

Ein Wort aus einem frisch eingelesenen Scan suchen. Fehlt der Treffer, zuerst die Textebene prüfen (pdftotext datei.pdf -), dann den Index neu aufbauen:

docker compose exec webserver document_index reindex