零门槛外交文书档案数字化从扫描分类存储到快速全文检索落地实操

一、前期准备：最小化可用工具包

1.硬件工具

• 普通平板扫描仪或高拍仪（分辨率≥300dpi彩色/灰度二选一，外交机密类用指定涉密设备）
• 存储设备（机械硬盘容量≥1TB/SSD≥512GB，外交文书用只读USB盘备份）
• Windows/macOS/linux任意一台常用电脑

2.软件工具

• 扫描软件：平板扫描仪用自带驱动程序，高拍仪用对应品牌工具（通用免费工具选NAPS2）
• OCR识别工具：Tesseract OCR开源免费（支持简体中文、繁体中文、英文等多语种），Windows下载地址：https://github.com/UB-Mannheim/tesseract/wiki，安装Tesseract 5.x.x.exe最新版，勾选“简体中文/繁体中文语言包”；macOS用Homebrew安装：brew install tesseract tesseract-lang；Ubuntu用apt：sudo apt install tesseract-ocr tesseract-ocr-chi-sim tesseract-ocr-chi-tra
• 全文检索工具：Recoll开源免费（Windows下载：https://www.lesbonscomptes.com/recoll/pages/download.html，勾选“简体中文分词支持”；macOS用Homebrew：brew install recoll；Ubuntu用apt：sudo apt install recoll）

二、外交文书扫描规范：符合归档标准

外交文书默认单页单面扫描，双面/多联的要拆分连续编号扫描：

• 分辨率：正文300dpi灰度，印章页/签名页300dpi彩色
• 文件格式：单页存为PNG（压缩率低，后续OCR识别准），最终合并后存为带书签的PDF/A-1b格式（国际通用档案长期保存格式）
• 命名规则：外交文书号-顺序号-密级（可选）.png，例如“外交发〔2024〕001号-01-机密.png”
• 图像预处理：用NAPS2自带工具自动裁剪白边、倾斜校正、去噪点，禁止修改文字和印章

NAPS2预处理扫描一键操作：

1. 打开NAPS2，点击“扫描”→选择设备→分辨率选300dpi→颜色选灰度/彩色→确定扫描
2. 点击“编辑→批量处理→添加”，依次勾选“自动裁剪”“自动旋转”“去噪（中等）”，点击“确定”批量应用
3. 点击“文件→导出→保存类型选PNG”→按命名规则设置保存路径，命名格式用“{文件名}_{页码}”自动补充顺序号

三、合并PDF/A-1b并添加OCR文本层

用PDFtk免费版合并PNG为PDF，再用Tesseract添加可搜索的文本层，最后转成PDF/A-1b格式（Windows/macOS/linux通用的命令行操作，比图形界面更稳定）：

1.合并PNG为基础PDF

PDFtk下载地址：https://www.pdflabs.com/tools/pdftk-the-pdf-toolkit/，安装后添加到系统PATH（Windows安装时勾选“Add pdftk to PATH”，macOS/Linux用包管理器自带），打开终端进入PNG保存目录，执行：

pdftk .png output 外交发〔2024〕001号.pdf

注意：系统默认按文件名自然排序，外交文书号如果格式不统一（比如有的带〔〕有的不带），需手动排序重命名PNG文件

2.添加OCR文本层

打开终端进入基础PDF保存目录，执行以下命令（Tesseract自动生成带文本层的PDF，中文识别用chi-sim+chi-tra组合包）：

tesseract 外交发〔2024〕001号.pdf 外交发〔2024〕001号-带OCR -l chi-sim+chi-tra+eng pdf

3.转换为PDF/A-1b长期保存格式

用开源工具Ghostscript转换，Windows下载地址：https://www.ghostscript.com/download/gsdnld.html，安装后添加到系统PATH，执行：

gswin64c -dPDFA=1 -dPDFACompatibilityPolicy=1 -sDEVICE=pdfwrite -dNOPAUSE -dBATCH -sOutputFile=外交发〔2024〕001号-归档版.pdf -c "/PDFACompatibilityPolicy 1 def" -f 外交发〔2024〕001号-带OCR.pdf

macOS/Linux将gswin64c替换为gs即可，转换后用Adobe Acrobat Reader打开，点击“文件→属性→描述→PDF标准”，确认显示“PDF/A-1b”

四、分类存储：建立外交文书专属目录树

目录树必须清晰，后续检索效率更高，专属目录树结构如下（可复制到文件夹创建工具快速生成）：

• 外交文书档案数字化库
  • 2024年
    • 外交发（发文）
      • 外交发〔2024〕001号-归档版.pdf
    • 外交收（收文）
      • 外交收〔2024〕001号-归档版.pdf
    • 外交密（机密/绝密类单独文件夹，设密码/权限）
      • 外交密〔2024〕001号-归档版.pdf

Windows可使用批处理脚本生成目录树，新建文本文档，粘贴以下内容，保存为“生成外交文书目录树.bat”，双击运行：

@echo off
md "外交文书档案数字化库\2024年\外交发"
md "外交文书档案数字化库\2024年\外交收"
md "外交文书档案数字化库\2024年\外交密"
md "外交文书档案数字化库\备份库"
pause

五、快速全文检索：搭建本地离线检索系统

Recoll是本地离线检索工具，支持搜索PDF文本层、文件名、关键词书签，无需联网，适合外交文书安全要求：

1.首次配置Recoll

• 打开Recoll，点击“工具→首选项→索引”，添加“外交文书档案数字化库”作为索引目录，取消勾选所有在线目录
• 点击“语言”，勾选“简体中文（jieba）”和“繁体中文”，将中文分词设为默认
• 点击“文件类型”，确保PDF、PNG（可选图像元数据）被勾选
• 点击“确定”，首次索引需等待5-30分钟（取决于文件数量和大小）

2.日常检索操作

在Recoll主界面搜索框输入关键词，支持模糊搜索（比如输入“中美 贸易”搜索同时包含两个词的文件）、精确搜索（加引号“中美贸易协定2024”）、文件名搜索（filename:外交发〔2024〕001），搜索结果可直接打开PDF定位到关键词所在页

3.定期更新索引

每天/每周新增外交文书后，点击Recoll主界面“文件→重新索引目录”，仅更新新增和修改的文件，速度很快

六、安全备份：外交文书数据双备份

外交文书属于敏感数据，必须执行本地+离线只读双备份：

• 本地备份：每周五将“外交文书档案数字化库”复制到机械硬盘分区（和系统分区分开）
• 离线只读备份：每月最后一天将备份库复制到只读USB盘（用Windows磁盘管理→右键USB盘→属性→安全→高级→所有者→改为自己→编辑→拒绝“写入”权限），存放在保密柜中