一、环境准备与工具安装
在进行铜陵档案整理之前，我们需要搭建一套基于Python的自动化处理环境。这套环境将利用OCR技术自动识别档案图片中的文字，并根据内容进行分类和重命名。请严格按照以下步骤操作，确保所有依赖项安装正确。
1. 安装Python环境
确保你的系统已安装Python 3.8或更高版本。如果未安装，请访问Python官网下载Windows installer版进行安装。安装时，务必勾选"Add Python to PATH"选项，这将避免后续配置环境变量的麻烦。
2. 安装Tesseract-OCR引擎
Python的OCR库依赖于Tesseract引擎。这是Google开源的OCR识别工具，支持中文识别。
下载地址： https://github.com/UB-Mannheim/tesseract/wiki
进入页面后，找到"tesseract-ocr-w64-setup-5.x.x.exe"（64位Windows版本）进行下载。安装过程中，在"Choose Components"界面，务必勾选"Chinese (Simplified)"和"Chinese (Simplified, Vertical)"语言包，否则无法识别铜陵档案中的中文内容。
假设安装路径为默认路径：C:\Program Files\Tesseract-OCR。如果修改了路径，请记下实际路径，后续代码中需要配置。
3. 安装Python依赖库
打开命令行工具（CMD或PowerShell），依次执行以下命令安装所需的第三方库：
pip install pillow：用于图像处理（如格式转换、灰度化）。pip install pytesseract：Python调用Tesseract的接口库。pip install shutil：用于文件的高级移动、复制操作（通常为内置库，但建议检查）。
二、建立档案目录结构
为了实现自动化整理，请在D盘根目录下（或其他位置）创建以下文件夹结构。这有助于我们将原始档案与处理后的档案物理隔离。
- D:\tongling_archives\raw：存放待整理的原始档案图片（支持JPG, PNG, BMP格式）。
- D:\tongling_archives\processed：存放识别成功并重命名后的档案。
- D:\tongling_archives\error：存放无法识别或处理出错的文件。
请将所有需要整理的铜陵相关档案图片复制到raw文件夹中。
三、编写自动化整理脚本
创建一个名为auto_organize.py的文件，并将以下完整代码复制进去。这段脚本包含了图像预处理、OCR识别、关键词提取及文件重命名移动的全套逻辑。
```python
import os
import shutil
import time
from datetime import datetime
from PIL import Image
import pytesseract
import re
================= 配置区域 =================
Tesseract安装路径，请根据实际安装位置修改，如果是路径中有空格，不需要加引号
tesseract_path = r'C:\Program Files\Tesseract-OCR\tesseract.exe'
pytesseract.pytesseract.tesseract_cmd = tesseract_path
源文件夹和目标文件夹设置
SOURCE_DIR = r'D:\tongling_archives\raw'
PROCESSED_DIR = r'D:\tongling_archives\processed'
ERROR_DIR = r'D:\tongling_archives\error'
铜陵档案常见关键词，用于分类检测
KEYWORDS = ['铜陵', '档案', '局', '市政府', '铜官山', '义安区', '郊区', '枞阳县']
===========================================
def preprocess_image(image_path):
"""
图像预处理：转灰度并调整大小，提高OCR识别率
"""
try:
img = Image.open(image_path)
转换为灰度图，去除色彩干扰
img = img.convert('L')
这里可以添加二值化处理，但对于普通档案，灰度通常足够
return img
except Exception as e:
print(f"图像预处理失败: {image_path}, 错误: {e}")
return None
def extract_info_from_text(text):
"""
从识别的文本中提取关键信息
"""
提取年份（匹配19xx或20xx）
year_match = re.search(r'(19|20)\d{2}', text)
year = year_match.group(0) if year_match else "未知年份"
提取铜陵相关的区域或部门关键词
found_keyword = "其他"
for kw in KEYWORDS:
if kw in text:
found_keyword = kw
break
return year, found_keyword
def organize_files():
"""
主处理函数：遍历文件夹，识别并移动文件
"""
检查目录是否存在，不存在则创建
for dir_path in [PROCESSED_DIR, ERROR_DIR]:
if not os.path.exists(dir_path):
os.makedirs(dir_path)
files = [f for f in os.listdir(SOURCE_DIR) if f.lower().endswith(('.jpg', '.jpeg', '.png', '.bmp'))]
print(f"开始处理，共发现 {len(files)} 个档案文件。")
for index, filename in enumerate(files):
file_path = os.path.join(SOURCE_DIR, filename)
print(f"[{index+1}/{len(files)}] 正在处理: {filename}")
1. 图像预处理
img = preprocess_image(file_path)
if not img:
move_to_error(file_path)
continue
2. OCR识别
lang='chi_sim'指定简体中文，--psm 6假设单行文本块，提高准确性
try:
使用配置参数 psm 6 (假设是一个统一的文本块)
custom_config = r'--psm 6'
text = pytesseract.image_to_string(img, lang='chi_sim', config=custom_config)
except Exception as e:
print(f"OCR识别出错: {e}")
move_to_error(file_path)
continue
3. 提取信息
year, keyword = extract_info_from_text(text)
4. 构建新文件名
格式：年份_关键词_原文件名_时间戳.后缀
file_ext = os.path.splitext(filename)[1]
timestamp = datetime.now().strftime("%H%M%S")
new_filename = f"{year}_{keyword}_{timestamp}{file_ext}"
5. 移动文件
destination_path = os.path.join(PROCESSED_DIR, new_filename)
try:
shutil.move(file_path, destination_path)
print(f" -> 成功归档: {new_filename}")
打印识别出的前20个字符供调试
print(f" -> 识别内容预览: {text.strip()[:20]}...")
except Exception as e:
print(f"文件移动失败: {e}")
move_to_error(file_path)
def move_to_error(src_path):
"""移动文件到错误目录"""
filename = os.path.basename(src_path)
try:
shutil.move(src_path, os.path.join(ERROR_DIR, filename))
except:
pass
if __name__ == "__main__":
start_time = time.time()
organize_files()
end_time = time.time()
print(f"所有档案整理完成，耗时: {end_time - start_time:.2f}秒。")
```
四、代码核心逻辑详解
为了确保你能根据实际需求调整脚本，以下对代码中的关键部分进行详细解释，这部分内容能帮助你解决实际运行中可能遇到的卡壳点。
1. Tesseract路径配置
代码第8行pytesseract.pytesseract.tesseract_cmd是必须配置的项。很多新手报错tesseract is not installed or it's not in your PATH，就是因为这一行路径填写错误。请务必指向tesseract.exe文件的绝对路径，注意路径前的r字符，它表示原始字符串，防止反斜杠转义。
2. OCR识别参数优化
在image_to_string函数中，我们使用了lang='chi_sim'来调用简体中文训练数据。同时，加入了config=custom_config，其中--psm 6代表“假设是一行统一的文本块”。对于标题清晰的档案图片，这个参数能显著提高识别准确率。如果你的档案是整版文字密集型，建议将custom_config改为r'--psm 3'（全自动页面分割）。
3. 文件名冲突处理
在重命名逻辑中，我们引入了timestamp（时间戳，精确到秒）。这是为了防止在极短时间内处理两个相同年份、相同关键词的文件时，发生文件名覆盖导致数据丢失的问题。这是一个在生产环境中必须考虑的细节。
五、运行脚本与结果验证
环境配置完毕且脚本保存后，即可开始执行整理任务。
1. 执行命令
在命令行中进入auto_organize.py所在的目录，执行：
python auto_organize.py
2. 观察控制台输出
程序运行时，你会看到类似以下的日志输出：
[1/10] 正在处理: SCAN001.jpg
-> 成功归档: 1998_市政府_143022.jpg
-> 识别内容预览: 铜陵市人民政府关于...
[2/10] 正在处理: SCAN002.jpg
-> 成功归档: 2005_档案局_143025.jpg
-> 识别内容预览: 市档案局年度工作总结...
如果看到“识别内容预览”中显示为乱码或奇怪符号，通常是图片清晰度不够或未正确加载中文语言包。
3. 检查结果目录
打开D:\tongling_archives\processed文件夹，你会发现原本杂乱无章的SCAN001.jpg已经被重命名为1998_市政府_时间戳.jpg。这样，无需打开图片，仅凭文件名就能知道该档案所属的年份和关联单位。
六、常见故障排查
在实操过程中，可能会遇到以下具体问题，请对照解决方案进行修复。
1. 报错：Failed loading language 'chi_sim'
原因：安装Tesseract时未勾选简体中文语言包，或者Tesseract未找到.traineddata文件。
解决：重新运行Tesseract安装程序，点击"Modify"，确保在Language组件中勾选Chinese (Simplified)。或者手动下载chi_sim.traineddata文件，放入C:\Program Files\Tesseract-OCR\tessdata目录下。
2. 识别率极低或全是乱码
原因：档案图片可能是彩色背景、字迹模糊或倾斜。
解决：修改代码中的preprocess_image函数。可以增加二值化处理代码：
```python
在preprocess_image函数中替换 img = img.convert('L')
img = img.convert('L')
threshold = 200 阈值，可根据实际情况调整
img = img.point(lambda p: 0 if p < threshold else 255, '1')
```
这会将图片转为纯黑白，去除噪点，通常能大幅提升扫描件文字的对比度。
3. 提示权限不足
原因：目标文件夹processed正在被其他程序（如文件管理器）打开，或源文件被设置为只读。
解决：关闭所有打开目标文件夹的窗口，确保源文件属性未被锁定，然后重新运行脚本。
