一、环境准备与依赖安装
在开始构建档案整理加急服务的自动化脚本之前，必须先在本地搭建好稳定的技术环境。本方案采用Python作为核心开发语言，利用其强大的文件处理能力和丰富的第三方库，实现档案的自动分类、OCR识别及标准化重命名。
1. Python环境配置
请确保系统已安装Python 3.8或更高版本。如果尚未安装，请直接访问Python官方发布页下载对应操作系统的安装包。安装过程中，务必勾选"Add Python to PATH"选项，以便在命令行中直接调用Python解释器。
2. 安装核心依赖库
打开终端（Windows下为CMD或PowerShell，Mac/Linux下为Terminal），执行以下命令安装本项目所需的第三方库。这些库分别用于图像处理、OCR文字识别以及进度条显示：
```bash
pip install Pillow pytesseract tqdm
```
3. 安装Tesseract-OCR引擎
pytesseract只是Python的接口，真正的识别工作依赖于Tesseract-OCR引擎。这是本方案中最容易卡壳的环节，请严格按照操作系统对应步骤操作：
Windows用户：
访问UB Mannheim的Tesseract下载页面：https://github.com/UB-Mannheim/tesseract/wiki。
下载最新的Windows安装包（如tesseract-ocr-w64-setup-5.3.0.dll）。安装时，务必记住安装路径，默认路径通常为C:\Program Files\Tesseract-OCR。建议勾选Additional language data，下载中文简体语言包（chi_sim）以支持中文档案识别。
Mac用户：
直接使用Homebrew安装，执行命令：
```bash
brew install tesseract tesseract-lang
```
Linux用户：
执行以下命令安装引擎及语言包：
```bash
sudo apt-get install tesseract-ocr tesseract-ocr-chi-sim
```
二、目录结构规划
为了保证程序的逻辑清晰，我们需要在本地建立一个标准的工作目录。请在D盘根目录（或任意其他位置）创建一个名为ArchiveService的文件夹，并在其中建立以下子目录结构：
- input/：存放待整理的杂乱原始档案（图片、PDF等）。
- output/：存放整理后的标准化档案。
- log/：存放运行日志，方便排查处理失败的文件。
这种结构将源文件与产出文件物理隔离，防止误操作覆盖原始数据。
三、核心代码实现
在ArchiveService目录下新建一个文件archive_bot.py。以下代码实现了完整的业务逻辑：扫描输入目录、根据文件类型分类、OCR识别文件名/内容、生成带时间戳的标准文件名并移动至输出目录。
请根据你的实际安装路径，修改代码顶部的TESSERACT_PATH变量（Windows用户必须修改，Mac/Linux用户可忽略）。
```python
import os
import shutil
import time
from datetime import datetime
from PIL import Image
import pytesseract
from tqdm import tqdm
================= 配置区域 =================
Windows用户必须修改此处为你的tesseract.exe实际路径，Mac/Linux请注释掉此行
pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe'
BASE_DIR = os.path.dirname(os.path.abspath(__file__))
INPUT_DIR = os.path.join(BASE_DIR, 'input')
OUTPUT_DIR = os.path.join(BASE_DIR, 'output')
LOG_DIR = os.path.join(BASE_DIR, 'log')
支持的图片格式
SUPPORTED_IMG_EXTENSIONS = ('.jpg', '.jpeg', '.png', '.bmp', '.tiff', '.gif')
确保输出目录存在
os.makedirs(OUTPUT_DIR, exist_ok=True)
os.makedirs(LOG_DIR, exist_ok=True)
def get_ocr_text(image_path):
"""
使用Tesseract提取图片中的文字
"""
try:
打开图片
img = Image.open(image_path)
转为RGB模式，防止部分RGBA模式图片报错
if img.mode != 'RGB':
img = img.convert('RGB')
使用中英文混合识别
text = pytesseract.image_to_string(img, lang='chi_sim+eng')
return text.strip().replace('\n', ' ')[:20] 取前20个字符作为文件名标识
except Exception as e:
return None
def sanitize_filename(name):
"""
清理文件名中的非法字符
"""
invalid_chars = '<>:"/\|?'
for char in invalid_chars:
name = name.replace(char, '_')
return name
def process_files():
"""
主处理函数：遍历、识别、重命名、移动
"""
files = [f for f in os.listdir(INPUT_DIR) if os.path.isfile(os.path.join(INPUT_DIR, f))]
if not files:
print("输入目录为空，请放入档案文件。")
return
print(f"开始处理 {len(files)} 个档案文件...")
for filename in tqdm(files, desc="Processing"):
src_path = os.path.join(INPUT_DIR, filename)
file_ext = os.path.splitext(filename)[1].lower()
获取当前时间戳用于唯一标识
timestamp = datetime.now().strftime("%Y%m%d_%H%M%S")
new_filename = ""
逻辑分支：如果是图片，尝试OCR识别内容作为新文件名的一部分
if file_ext in SUPPORTED_IMG_EXTENSIONS:
ocr_content = get_ocr_text(src_path)
if ocr_content:
clean_content = sanitize_filename(ocr_content)
new_filename = f"{timestamp}_{clean_content}{file_ext}"
else:
识别失败则使用原文件名
name_only = os.path.splitext(filename)[0]
clean_name = sanitize_filename(name_only)
new_filename = f"{timestamp}_{clean_name}_OCR_FAILED{file_ext}"
else:
非图片文件（如PDF、DOC），直接重命名
name_only = os.path.splitext(filename)[0]
clean_name = sanitize_filename(name_only)
new_filename = f"{timestamp}_{clean_name}{file_ext}"
dst_path = os.path.join(OUTPUT_DIR, new_filename)
try:
shutil.move(src_path, dst_path)
except Exception as e:
error_msg = f"{time.strftime('%Y-%m-%d %H:%M:%S')} - 文件: {filename} - 错误: {str(e)}\n"
with open(os.path.join(LOG_DIR, "error.log"), "a", encoding="utf-8") as f:
f.write(error_msg)
print(f"\n处理文件 {filename} 时出错，已跳转。详情见日志。")
if __name__ == "__main__":
process_files()
print("\n所有档案整理任务完成，请查看 output 目录。")
```
四、执行与验证
代码编写完毕后，我们需要进行实际操作来验证其功能。请按照以下步骤进行“加急处理”模拟：
1. 准备测试数据
找几张包含文字的图片（如扫描件、截图）或者PDF文件，将它们重命名为乱码（例如IMG_001.jpg, 123.pdf），并将这些文件复制到之前创建的input文件夹中。
2. 运行脚本
在终端中进入ArchiveService目录，执行以下命令启动自动化整理服务：
```bash
python archive_bot.py
```
3. 观察输出
终端中会显示进度条，实时展示处理进度。如果图片清晰度尚可，OCR引擎会提取其中的文字。处理完成后，打开output文件夹，你将看到文件已经被重命名。
预期结果示例：
- 原文件：
IMG_001.jpg（内容为“2023年度技术合同”）
- 新文件：
20231027_153022_2023年度技术合同.jpg
如果遇到无法识别的图片，文件名中会包含OCR_FAILED标记，确保不会因为识别错误而丢失文件。
五、常见报错处理
在实操过程中，可能会遇到环境配置相关的报错，以下是针对高频错误的解决方案：
1. tesseract is not installed or isn't in your PATH
原因：程序找不到Tesseract执行文件。
解决：Windows用户请检查代码中pytesseract.pytesseract.tesseract_cmd的路径是否正确，必须指向.exe文件。Linux/Mac用户请检查系统PATH环境变量。
2. TesseractError: Command not found
原因：未安装语言包。
解决：确保下载安装了chi_sim（简体中文）数据。如果不需要识别中文，可将代码中的lang='chi_sim+eng'改为lang='eng'。
3. PermissionError: [Errno 13] Permission denied
原因：目标文件正在被其他程序打开（如图片查看器）。
解决：关闭所有预览input文件夹中文件的程序，然后重新运行脚本。
通过以上步骤，你已经构建了一个基础的档案整理加急服务原型。该脚本能够以毫秒级的速度处理文件移动，并利用OCR技术赋予文件语义化的名称，极大地提升了档案归档的效率。
