黄石档案整理技术方案：零基础实现批量OCR与归档

发布时间: 2026年09月03日 05:15:03 来源: 安答联动浏览量: 0

一、环境准备与工具安装

在进行黄石档案整理的数字化操作前，必须先搭建好Python运行环境以及OCR识别引擎。请严格按照以下步骤操作，确保环境一致，避免后续运行报错。

1. 安装Python环境

访问Python官网下载Windows安装包。推荐使用Python 3.9或3.10版本，稳定性较高。

下载地址：https://www.python.org/downloads/

下载完成后运行安装程序，务必勾选底部的 "Add Python to PATH" 选项，这是为了能在命令行直接使用Python命令。安装选项选择 "Install Now" 即可。

2. 安装Tesseract-OCR引擎

Tesseract是OCR识别的核心引擎，Python库只是调用接口。我们需要安装Windows版本的Tesseract并配置中文语言包，否则无法识别档案中的汉字。

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位版本）进行下载。安装过程中，在 "Choose Components" 界面，务必展开 "Languages" 项，勾选 Chinese (Simplified) 和 Chinese (Traditional)，以及默认的 English。这一步至关重要，否则识别中文全乱码。

假设安装路径保持默认：C:\Program Files\Tesseract-OCR。

3. 安装Python依赖库

打开Windows命令提示符（CMD），输入以下命令安装所需的第三方库。这些库分别用于文件操作、图像处理和OCR调用。

```bash pip install pytesseract pillow pandas ```

pytesseract：Python的Tesseract封装包。
pillow：用于处理图片格式转换和预处理。
pandas：用于生成档案整理后的Excel清单。

二、建立标准化目录结构

为了实现自动化归档，需要在本地D盘或E盘建立一个专门的项目文件夹。请按照以下结构手动创建文件夹，这直接关系到脚本的运行。

假设我们在E盘建立项目，目录结构如下：

E:/huangshi_archives/ (项目根目录)
- raw_scans/ (存放待处理的原始扫描件，支持jpg, png, pdf)
- processed_data/ (存放处理后的档案，脚本会自动在此按年份分类)
- output_logs/ (存放运行日志和最终的Excel清单)

操作注意：将所有待整理的黄石档案扫描件图片全部复制到 raw_scans 文件夹中。

三、核心代码实现与配置

在项目根目录 E:/huangshi_archives/ 下，新建一个文本文件，将其重命名为 archive_auto.py。右键选择 "Edit with IDLE" 或使用 Notepad++ 打开，粘贴以下完整代码。

这段代码实现了自动读取图片、OCR识别文字、提取年份和关键词、重命名文件并移动到对应年份文件夹的功能。

```python import os import shutil import pytesseract from PIL import Image import pandas as pd import re from datetime import datetime - 配置区域 - Tesseract安装路径，请根据实际安装位置修改，如果是默认安装则无需更改 tesseract_path = r'C:\Program Files\Tesseract-OCR\tesseract.exe' pytesseract.pytesseract.tesseract_cmd = tesseract_path 项目根目录 BASE_DIR = r'E:\huangshi_archives' RAW_DIR = os.path.join(BASE_DIR, 'raw_scans') PROCESSED_DIR = os.path.join(BASE_DIR, 'processed_data') LOG_DIR = os.path.join(BASE_DIR, 'output_logs') 确保输出目录存在 os.makedirs(PROCESSED_DIR, exist_ok=True) os.makedirs(LOG_DIR, exist_ok=True) - 功能函数 - def extract_metadata_from_text(text): """ 从OCR识别的文本中提取年份和关键词这里使用正则表达式模拟档案编号和日期的提取规则 """ 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' 提取类似“黄石档案”、“编号”等关键词后的内容，作为文件名一部分这里简单提取前10个字符作为摘要，实际可根据档案格式调整正则 clean_text = re.sub(r'\s+', '', text) 去除空白 summary = clean_text[:10] if len(clean_text) >= 10 else clean_text return year, summary def process_image(file_path): """ 处理单张图片：OCR识别 -> 提取信息 -> 移动重命名 """ try: 打开图片 img = Image.open(file_path) 进行OCR识别，lang='chi_sim'指定简体中文 text = pytesseract.image_to_string(img, lang='chi_sim+eng') 提取元数据 year, summary = extract_metadata_from_text(text) 构建新文件名：年份_摘要_原文件名 original_filename = os.path.basename(file_path) file_ext = os.path.splitext(original_filename)[1] 防止文件名非法字符 safe_summary = re.sub(r'[\\/?:"<>|]', '', summary) new_filename = f"{year}_{safe_summary}_{original_filename}" 构建目标路径：按年份分类 target_year_dir = os.path.join(PROCESSED_DIR, year) os.makedirs(target_year_dir, exist_ok=True) target_path = os.path.join(target_year_dir, new_filename) 移动文件 shutil.move(file_path, target_path) return { '原文件名': original_filename, '新文件名': new_filename, '识别年份': year, '摘要内容': summary, '状态': '成功', '归档路径': target_path } except Exception as e: return { '原文件名': os.path.basename(file_path), '新文件名': '', '识别年份': '', '摘要内容': '', '状态': f'失败: {str(e)}', '归档路径': '' } def main(): print(f" 开始执行黄石档案整理任务：{datetime.now()} ") 获取待处理文件列表 files = [f for f in os.listdir(RAW_DIR) if f.lower().endswith(('.png', '.jpg', '.jpeg', '.bmp'))] if not files: print("未在 raw_scans 目录下找到图片文件。") return process_results = [] for index, filename in enumerate(files): file_path = os.path.join(RAW_DIR, filename) print(f"正在处理 ({index+1}/{len(files)}): {filename} ...") result = process_image(file_path) process_results.append(result) 保存结果到Excel df = pd.DataFrame(process_results) timestamp = datetime.now().strftime('%Y%m%d_%H%M%S') excel_path = os.path.join(LOG_DIR, f'档案整理报告_{timestamp}.xlsx') df.to_excel(excel_path, index=False) print(f" 任务完成。报告已生成：{excel_path} ") if __name__ == "__main__": main() ```

四、代码关键细节解析

黄石档案整理技术方案：零基础实现批量OCR与归档

为了确保代码能准确处理黄石档案的特殊格式，以下配置细节需要特别关注，请根据实际档案特征进行微调。

1. OCR语言配置

在代码中 pytesseract.image_to_string(img, lang='chi_sim+eng') 这一行，我们指定了 chi_sim（简体中文）和 eng（英文）。如果档案中包含繁体字，需要将此处修改为 lang='chi_sim+chi_tra+eng'，这能显著提升识别准确率。

2. 年份提取逻辑

代码使用了正则表达式 r'(19|20)\d{2}' 来提取年份。这意味着它会自动查找文中出现的 19xx 或 20xx 的数字。如果您的档案年份格式比较特殊（例如“二零二三年”），需要修改 extract_metadata_from_text 函数中的正则逻辑，或者增加中文数字转阿拉伯数字的映射函数。

3. 文件名清洗

档案识别出的文本中往往包含换行符或特殊符号，直接用作文件名会导致报错。代码中使用了 re.sub(r'[\\/?:"<>|]', '', summary) 来剔除Windows文件系统不允许的字符。请勿删除此行代码，否则程序在处理某些特殊档案时会崩溃。

五、执行与验证

环境配置和代码准备完毕后，按照以下步骤执行自动化整理。

1. 运行脚本

打开 CMD，切换到项目目录：

```bash E: cd E:\huangshi_archives ```

执行Python脚本：

```bash python archive_auto.py ```

2. 观察控制台输出

屏幕上会逐行打印处理进度，例如：

正在处理 (1/50): IMG_001.jpg ...
正在处理 (2/50): IMG_002.jpg ...

如果出现 "Failed" 提示，通常是因为图片分辨率过低或 Tesseract 路径配置错误。

3. 检查归档结果

任务完成后，进行以下三步检查：

查看分类文件夹：进入 processed_data 目录，检查是否已经自动生成了类似 "2020"、"2021" 的子文件夹。
检查文件重命名：打开子文件夹，确认文件名是否已变为 "年份_摘要_原文件名" 的格式。
查看Excel报告：打开 output_logs 目录下生成的最新 Excel 文件，核对每一行数据的“状态”列是否均为“成功”。如果有失败行，查看“状态”列的报错信息，通常是图片格式不支持或文字无法识别。

六、常见问题排查

在实际操作中，可能会遇到以下两个常见问题，请参照对应方案解决。

1. 报错：tesseract is not installed or not in your path

这是因为代码中配置的 Tesseract 路径与实际安装位置不符。请检查代码中的 tesseract_path 变量，确保其指向你电脑上 tesseract.exe 的绝对路径。如果是默认安装，路径应为 C:\Program Files\Tesseract-OCR\tesseract.exe。