私企档案管理培训：Python自动化档案整理实操全流程

一、环境搭建与依赖安装

在开始私企档案数字化整理之前，必须先配置好Python运行环境及OCR识别引擎。本指南基于Windows 10/11系统编写，核心利用Tesseract-OCR进行图片文字识别，配合Python进行文件批量处理。

1. 安装Python环境

访问Python官网下载稳定版安装包。直接访问 https://www.python.org/downloads/ 下载Python 3.10及以上版本。安装时务必勾选 "Add Python to PATH" 选项，这会自动配置环境变量，避免后续命令行无法识别Python指令。

2. 安装Tesseract-OCR引擎

Python本身不具备OCR能力，需要调用Tesseract引擎。请访问 https://github.com/UB-Mannheim/tesseract/wiki 下载 tesseract-ocr-w64-setup-5.x.x.exe。安装时，务必勾选 Chinese (Simplified) 语言包，否则无法识别中文档案。假设安装路径为默认的 C:\Program Files\Tesseract-OCR。

3. 安装Python依赖库

打开CMD（命令提示符），依次执行以下命令安装所需库。这些库分别用于OCR接口封装、图像处理、Excel生成及文件系统操作。

```bash pip install pytesseract pillow pandas openpyxl shutil ```

二、建立标准化档案目录结构

混乱的文件存放是归档难的主要原因。我们需要在D盘根目录下创建一个名为 ArchiveProject 的文件夹，并在其下建立以下标准子目录结构：

• D:\ArchiveProject\input：存放待处理的原始扫描件或照片（支持jpg, png, bmp）。
• D:\ArchiveProject\output：存放处理后的重命名文件。
• D:\ArchiveProject\logs：存放生成的档案索引Excel表。
• D:\ArchiveProject\temp：存放处理过程中的临时文件。

请手动创建上述文件夹，确保路径完全一致，否则后续脚本会报错。

三、核心代码编写与配置

新建一个文本文件，将后缀名改为 archive_bot.py。以下代码实现了从扫描件中提取关键信息（如合同号、日期）、自动重命名、移动文件并生成Excel索引的全过程。

1. 引入库与配置路径

代码开头需要引入相关库，并硬编码Tesseract的安装路径。如果你的安装路径不同，请修改 pytesseract.pytesseract.tesseract_cmd 的值。

```python import os import shutil import pandas as pd import pytesseract from PIL import Image import re from datetime import datetime 强制指定Tesseract可执行文件路径，请根据实际安装位置修改 pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe' 定义工作目录 BASE_DIR = r'D:\ArchiveProject' INPUT_DIR = os.path.join(BASE_DIR, 'input') OUTPUT_DIR = os.path.join(BASE_DIR, 'output') LOG_DIR = os.path.join(BASE_DIR, 'logs') 确保输出目录存在 os.makedirs(OUTPUT_DIR, exist_ok=True) os.makedirs(LOG_DIR, exist_ok=True) ```

2. 定义信息提取函数

这是核心逻辑。通过正则表达式从OCR识别出的文本中抓取“合同编号”和“签署日期”。请根据贵司档案的实际编号规则，修改 contract_pattern 中的正则表达式。示例中假设合同号格式为“HT-年份-数字”，日期格式为“YYYY-MM-DD”。

```python def extract_info(text): 定义正则匹配规则，根据实际情况修改 示例：匹配 HT-2023-001 这种格式 contract_pattern = r'(HT-\d{4}-\d{3,4})' 示例：匹配 2023-10-01 这种日期格式 date_pattern = r'(\d{4}-\d{1,2}-\d{1,2})' contract_match = re.search(contract_pattern, text) date_match = re.search(date_pattern, text) contract_no = contract_match.group(1) if contract_match else "未知编号" date_str = date_match.group(1) if date_match else "未知日期" return contract_no, date_str ```

3. 定义图像处理与OCR识别

为了保证识别率，建议先将图片转换为灰度并调整大小。Tesseract识别中文需要指定 lang='chi_sim'。

```python def ocr_image(image_path): try: 打开图片并进行预处理（转灰度） img = Image.open(image_path).convert('L') 这里可以添加resize逻辑如果图片过大，例如 img.resize((3000, 4000)) 识别文字，指定中文简体 text = pytesseract.image_to_string(img, lang='chi_sim') return text except Exception as e: print(f"识别文件 {image_path} 失败: {e}") return "" ```

四、全流程执行逻辑

此部分代码负责遍历Input文件夹，调用上述函数，执行重命名和归档操作，并将结果记录到列表中，最后导出Excel。

```python def main(): file_records = [] supported_ext = ('.jpg', '.jpeg', '.png', '.bmp') 遍历输入文件夹 for filename in os.listdir(INPUT_DIR): if filename.lower().endswith(supported_ext): input_path = os.path.join(INPUT_DIR, filename) print(f"正在处理: {filename}...") 1. OCR识别 raw_text = ocr_image(input_path) 2. 提取关键信息 contract_no, date_str = extract_info(raw_text) 3. 构造新文件名：合同号_日期.原后缀 name_part = f"{contract_no}_{date_str}" new_filename = f"{name_part}{os.path.splitext(filename)[1]}" output_path = os.path.join(OUTPUT_DIR, new_filename) 4. 处理重名冲突 counter = 1 while os.path.exists(output_path): new_filename = f"{name_part}_{counter}{os.path.splitext(filename)[1]}" output_path = os.path.join(OUTPUT_DIR, new_filename) counter += 1 5. 移动文件 shutil.move(input_path, output_path) 6. 记录数据 file_records.append({ "原始文件名": filename, "新文件名": new_filename, "提取合同号": contract_no, "提取日期": date_str, "归档路径": output_path, "处理时间": datetime.now().strftime("%Y-%m-%d %H:%M:%S") }) 7. 生成Excel索引表 if file_records: df = pd.DataFrame(file_records) excel_path = os.path.join(LOG_DIR, f"档案归档索引_{datetime.now().strftime('%Y%m%d%H%M%S')}.xlsx") df.to_excel(excel_path, index=False) print(f"处理完成！共处理 {len(file_records)} 个文件。") print(f"索引表已生成: {excel_path}") else: print("未找到支持的图片文件。") if __name__ == "__main__": main() ```

五、常见报错与解决方案

在实操过程中，新手常会遇到以下两个问题，请对照排查。

1. tesseract is not installed or it's not in your PATH

这是路径配置错误。请检查代码中 pytesseract.pytesseract.tesseract_cmd 的路径是否指向了你电脑上 tesseract.exe 的真实位置。注意路径字符串前要加 r 以避免转义字符问题，例如 r'C:\Program Files\Tesseract-OCR\tesseract.exe'。

2. 识别结果为空或乱码

这通常是因为图片质量差或未下载中文语言包。请检查 C:\Program Files\Tesseract-OCR\tessdata 目录下是否存在 chi_sim.traineddata 文件。如果没有，请从 https://github.com/tesseract-ocr/tessdata 下载该文件并放入该目录。扫描件的分辨率建议在300DPI以上，过低会导致识别率大幅下降。

六、操作落地步骤总结

1. 准备阶段：在D盘建立ArchiveProject文件夹及子文件夹，将所有待整理的图片文件放入input文件夹。
2. 代码调整：打开 archive_bot.py，根据实际档案特征修改 extract_info 函数中的正则表达式（如将“HT-”改为贵司实际的合同前缀）。
3. 执行脚本：在CMD中进入脚本所在目录，运行 python archive_bot.py。
4. 结果核对：脚本运行结束后，打开output文件夹查看已重命名的文件，打开logs文件夹查看Excel索引表。

通过以上步骤，私企档案管理人员无需手动录入每一个文件名，仅需核对OCR提取的准确性，即可完成批量化的档案整理与归档，极大提升了管理效率。