制造业档案整理服务从零搭建自动化归档系统
一、环境准备与依赖安装
在制造业场景中，档案通常包含大量的扫描件、图纸、质检单等非结构化数据。为了实现自动化整理，我们需要构建一个基于Python的本地处理环境。本指南不依赖任何付费云服务，全部在本地运行，确保数据安全。
1. 安装Python环境
确保系统已安装Python 3.8或更高版本。如果未安装，请直接从Python官网下载安装包。安装过程中，务必勾选"Add Python to PATH"选项，这直接关系到后续命令能否在终端中直接执行。
2. 安装Tesseract-OCR引擎
这是开源领域最强大的OCR工具，用于从图片中提取文字。
- Windows用户：访问 https://github.com/UB-Mannheim/tesseract/wiki 下载最新的Windows安装包（推荐tesseract-ocr-w64-setup-5.x.x.exe）。安装时，务必勾选"Additional language data"，并下载Chinese (Simplified)和English语言包，否则无法识别中文内容。
- Linux用户：执行命令
sudo apt-get install tesseract-ocr tesseract-ocr-chi-sim。
注意：默认安装路径通常为 C:\Program Files\Tesseract-OCR\tesseract.exe，后续代码中需要配置此绝对路径。
3. 安装Python依赖库
打开终端（CMD或PowerShell），执行以下命令安装所需的图像处理和OCR库：
```bash pip install opencv-python pytesseract pandas pillow shutil ```- opencv-python：用于图像预处理（去噪、二值化），提高OCR识别率。
- pytesseract：Python的Tesseract封装接口。
- pandas：用于生成档案索引Excel表。
二、核心功能模块开发
我们将代码分为三个核心模块：图像预处理（清洗图纸）、OCR文字提取（读取信息）、智能归档（移动文件并建立索引）。请创建一个名为 auto_archive.py 的文件。
1. 图像预处理模块
制造业的扫描件往往带有噪点或倾斜，直接识别准确率低。我们需要编写函数将图片转为黑白二值图，并去除干扰信息。
```python import cv2 import numpy as np def preprocess_image(image_path): 读取图片 img = cv2.imread(image_path) if img is None: return None 转为灰度图 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) 去噪 - 使用双边滤波保留边缘同时去除噪点 denoised = cv2.fastN bilateralFilter(gray, 9, 75, 75) 二值化 - 自适应阈值处理，针对光照不均的文档效果更好 这里的参数11和2是经验值，适用于大多数A4扫描件 binary = cv2.adaptiveThreshold(denoised, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2) return binary ```2. OCR文字提取模块
配置Tesseract路径并提取文字。这里必须指定中文语言包 chi_sim，并配置白名单字符以减少误识别。
3. 档案规则解析与归档模块
这是业务逻辑的核心。我们需要从识别出的文字中提取关键信息（如“订单号”、“日期”），并据此重命名和移动文件。假设制造业档案命名规则通常包含“PO”开头的订单号。
```python import os import re import shutil import pandas as pd from datetime import datetime def parse_and_archive(text, source_file, output_dir, index_data): 提取订单号：假设格式为 PO-2023-xxxx order_match = re.search(r'PO-\d{4}-\d{4}', text) 提取日期：假设格式为 2023/10/25 或 2023.10.25 date_match = re.search(r'\d{4}[/.]\d{2}[/.]\d{2}', text) 默认值设置 order_id = order_match.group(0) if order_match else "UNKNOWN_ORDER" date_str = date_match.group(0) if date_match else datetime.now().strftime("%Y-%m-%d") 规范化日期格式，替换 / 或 . date_str = date_str.replace("/", "-").replace(".", "-") 构建新文件名：订单号_原文件名 file_ext = os.path.splitext(source_file)[1] new_filename = f"{order_id}_{date_str}{file_ext}" 构建目标文件夹路径：output_dir/订单号/年份 year = date_str.split("-")[0] target_folder = os.path.join(output_dir, order_id, year) 创建文件夹 if not os.path.exists(target_folder): os.makedirs(target_folder) target_path = os.path.join(target_folder, new_filename) 移动文件 try: shutil.move(source_file, target_path) print(f"已归档: {source_file} -> {target_path}") 记录索引数据 index_data.append({ "原始文件名": os.path.basename(source_file), "订单号": order_id, "档案日期": date_str, "存储路径": target_path, "处理时间": datetime.now().strftime("%Y-%m-%d %H:%M:%S") }) except Exception as e: print(f"文件移动失败: {source_file}, 错误: {e}") ```三、完整自动化脚本整合
将上述模块整合，并添加主循环逻辑。请将以下代码完整复制到 auto_archive.py 中。代码包含详细的异常处理，确保遇到损坏图片时程序不会中断。
四、实操运行步骤
代码编写完成后，按照以下步骤即可立即开始整理档案。
1. 准备测试数据
在电脑C盘创建文件夹 C:\Manufacturing_Files\Unsorted。放入几张测试用的图片（JPG或PNG格式），图片内容中需包含类似“PO-2023-8899”的字符以及日期。如果没有现成图片，可以用画图工具手写一张测试截图。
2. 执行脚本
在终端中切换到脚本所在目录，运行：
```bash python auto_archive.py ```3. 验证结果
脚本运行结束后，检查 C:\Manufacturing_Files\Archived 目录。
- 文件结构：你应该看到以订单号命名的子文件夹（如 PO-2023-8899），内部按年份分类。
- 文件命名：文件名已自动更改为“订单号_日期.后缀”。
- 索引表：Archived目录下会生成一个
archive_index_时间戳.xlsx文件，打开即可查看所有文件的流转记录。
五、常见问题排查
在实操过程中，可能会遇到以下具体问题，请对照解决方案：
1. 报错：tesseract is not installed or it's not in your path
这通常发生在Windows系统上。原因：代码中配置的路径与实际安装路径不一致，或者未安装Tesseract。
解决：检查 C:\Program Files\Tesseract-OCR\ 下是否存在 tesseract.exe。如果安装在其他盘，请修改代码第16行的路径为绝对路径。
2. 识别出来的全是乱码
原因：Tesseract默认未加载中文训练数据，或者图片分辨率过低。
解决：确保安装时勾选了 chi_sim。如果是图片问题，在代码第34行的 cv2.imread 之前，可以尝试使用外部工具将图片DPI调整为300以上再处理。
3. 正则表达式提取不到订单号
原因：实际文档中的订单号格式与代码中的 PO-\d{4}-\d{4} 不一致。
解决：打开生成的Excel索引表，查看“提取订单号”列。如果全是“MISC”，请打印OCR识别出的原始文本（可在代码第60行添加 print(text_content)），根据实际格式修改代码第62行的正则表达式。例如，如果订单号是“ORD123456”，则将正则改为 r'ORD\d{6}'。
相关文章
