乐山档案数字化：从扫描到管理的全流程实操指南

一、硬件与软件准备

在开始档案数字化工作前，必须准备好以下核心工具，这是保证后续流程顺畅的基础。

1.1 扫描设备选择与配置

根据档案类型选择合适扫描仪：

• 平板扫描仪：适用于单页、脆弱或装订成册的档案。推荐型号：爱普生 V600。分辨率设置为300 DPI，色彩模式选择“彩色”（即使档案为黑白，也建议用彩色扫描以保留纸张底色等信息）。
• 高速文档扫描仪：适用于大量、单页、纸张状况良好的档案。推荐型号：富士通 fi-7460。在驱动设置中，开启“自动进纸检测”和“空白页跳过”功能。

关键操作：首次使用前必须校准扫描仪。在扫描仪软件中执行“校准”程序，并使用标准色卡（如IT8.7/2）进行色彩校准，确保颜色还原准确。

1.2 必备软件安装

需要安装以下软件，所有软件均为免费或开源：

• 图像处理软件：GIMP（官网：https://www.gimp.org/downloads/）。安装后，打开“编辑”->“首选项”->“输入设备”，配置扫描仪为输入源。
• PDF处理与OCR软件：Adobe Acrobat Reader DC（用于查看）和 OCRFeeder（用于识别，Linux系统）或 Tesseract OCR（跨平台，官网：https://github.com/tesseract-ocr/tesseract）。安装Tesseract的命令：sudo apt install tesseract-ocr tesseract-ocr-chi-sim（安装简体中文语言包）。
• 档案管理数据库软件：使用开源工具如“归档管理工具（Archivematica）”或轻量级的FileMaker Pro试用版。这里以建立一个本地SQLite数据库为例，使用DB Browser for SQLite（官网：https://sqlitebrowser.org/dl/）。

二、档案扫描标准化流程

此流程确保每份档案的数字化副本质量一致、信息完整。

2.1 扫描前预处理

关键操作：

1. 准备一个干净、无尘、光线稳定的工作台。
2. 为待扫描档案去除所有订书钉、回形针、塑料封套等异物。对于粘连的页面，使用竹制拆信刀小心分离。
3. 使用软毛刷或吹气球轻轻清除页面灰尘。
4. 为每份档案或每个案卷准备并填写《档案数字化预处理登记表》，记录原始状况。

2.2 扫描参数设置与执行

打开GIMP，点击“文件”->“创建”->“扫描仪/相机”。在弹出的驱动界面中设置：

• 分辨率：300 DPI（永久保存级）。
• 色彩深度：24位彩色。
• 文件格式：扫描时暂存为TIFF（无损格式），后期再根据用途转换。
• 命名规则：在扫描仪软件或GIMP的批量扫描设置中，将输出文件命名为“全宗号-目录号-案卷号-顺序号.tiff”，例如“001-2023-Y-0001-001.tiff”。

扫描时，确保档案边缘与扫描仪玻璃板边缘对齐，盖上盖板以减少光线干扰。每扫描完一份，立即在登记表上标记，并与原始档案核对顺序。

2.3 图像后处理

扫描后的TIFF文件需要进行标准化处理：

1. 纠偏：在GIMP中打开图像，点击“工具”->“变换工具”->“旋转”，微调角度使文字行水平。
2. 去黑边/裁剪：使用“矩形选择工具”框选有效内容，点击“图像”->“裁剪到选区”。
3. 亮度/对比度调整：点击“颜色”->“亮度-对比度”，适度调整使文字清晰、背景干净。避免过度调整导致信息失真。
4. 保存：处理完成后，另存为一份新的TIFF文件作为母版。同时，为便于查阅，可另存一份PDF副本。在GIMP中点击“文件”->“导出为”，选择“PDF”，设置压缩为“JPEG中等质量”。

三、OCR文字识别与元数据著录

此步骤将图像转化为可检索的文本，并建立档案的描述信息。

3.1 批量OCR识别

使用命令行工具Tesseract进行批量处理：

1. 将处理好的TIFF或PDF文件放入同一文件夹，如“/home/user/scan_docs”。
2. 打开终端，进入该目录：cd /home/user/scan_docs。
3. 执行批量识别命令（以PDF为例，需先转换为单页TIFF）：

   for f in .tiff; do tesseract "$f" "${f%.tiff}" -l chi_sim; done

   此命令将为每个.tiff文件生成一个同名的.txt文本文件。
4. 校对：必须人工抽查OCR结果，特别是手写体、繁体字或模糊处。错误率应控制在千分之五以下。

3.2 构建档案元数据库

使用DB Browser for SQLite创建一个本地数据库“archive.db”。

1. 打开软件，点击“新建数据库”。
2. 创建一张名为“archives”的表，执行以下SQL语句：

   CREATE TABLE archives (
   id INTEGER PRIMARY KEY AUTOINCREMENT,
   档号 TEXT NOT NULL UNIQUE,
   题名 TEXT NOT NULL,
   责任者 TEXT,
   成文日期 TEXT,
   页数 INTEGER,
   数字化人员 TEXT,
   扫描日期 TEXT,
   存储路径_tiff TEXT,
   存储路径_pdf TEXT,
   存储路径_txt TEXT,
   备注 TEXT
   );

3. 著录：通过软件的“浏览数据”选项卡，为每一份数字化档案添加一条记录。必须准确填写“档号”（与文件名对应）、“题名”等核心字段。“存储路径”填写文件的绝对路径，如“D:\数字化档案\001-2023-Y-0001-001.tiff”。

四、数字化成果存储与管理

建立安全、有序、可长期保存的存储体系。

4.1 存储结构与命名

在硬盘中建立如下目录结构：

数字化档案总库/
├── 原始TIFF母版/
│   └── （按全宗号建立子文件夹）
├── 发布用PDF/
│   └── （按全宗号建立子文件夹）
├── OCR文本/
│   └── （按全宗号建立子文件夹）
└── 数据库备份/

严格按照第二章节的命名规则存放文件，确保文件名与数据库中的“档号”字段完全一致。

4.2 备份策略

采用“3-2-1”备份原则：

• 3份副本：电脑硬盘上一份，移动硬盘上一份，另一块移动硬盘或NAS上一份。
• 2种不同介质：至少使用硬盘和光盘（如归档蓝光光盘）两种介质。
• 1份异地备份：将一份移动硬盘备份存放在物理位置不同的安全场所。

关键操作：每周五下班前执行一次全量备份。使用FreeFileSync（官网：https://freefilesync.org/）软件，设置“镜像同步”任务，将“数字化档案总库”文件夹同步到备份硬盘。同时，导出SQLite数据库的SQL脚本进行备份。

4.3 检索与利用

通过数据库实现快速检索：

1. 在DB Browser中，点击“执行SQL”标签页。
2. 输入查询语句，例如查找题名包含“乐山”的档案：

   SELECT 档号, 题名, 存储路径_pdf FROM archives WHERE 题名 LIKE '%乐山%';

3. 双击查询结果中的“存储路径_pdf”，即可用默认PDF阅读器打开对应的数字化档案。

对于更复杂的检索需求，可以将数据库与简单的Web界面（如使用Python Flask框架）连接，构建内部查询系统。

五、质量控制与常见问题解决

在各个环节设置检查点，确保成果质量。

• 扫描质量检查：随机抽查5%的扫描图像，检查是否存在模糊、歪斜、漏页、信息不全等问题。使用GIMP的“测量工具”检查DPI是否确为300。
• 元数据准确性检查：核对数据库记录与原始档案目录或备考表，确保题名、日期、页数等信息100%准确。
• 常见问题：
  • 问题：扫描图像有彩色条纹或斑点。解决：清洁扫描仪玻璃板和盖板。执行扫描仪“校准”和“清洁”程序。
  • 问题：OCR识别率极低。解决：检查图像是否清晰、正放。尝试在Tesseract命令中更换语言包，如“-l chi_tra”用于繁体，或使用“--psm”参数调整页面分割模式。
  • 问题：数据库查询缓慢。解决：为经常查询的字段（如“档号”、“题名”）创建索引。SQL命令：CREATE INDEX idx_title ON archives (题名);

完成以上所有步骤，即建立了一套从物理档案到数字化资源，并具备存储、备份、检索功能的完整工作流程。所有操作均使用通用工具，无需特定商业软件，可立即在乐山档案培训后的实际工作中应用。