档案智能编目制度落地全流程：从需求调研到上线验收全操作

一、前置准备：确定3类核心落地维度

落地前先填一份精简调研表，直接锁定可执行范围，调研表内容如下：

• 待编目档案类型：明确是文书档案、科技档案、声像档案等，至少挑1类占比最高的（比如占比60%以上的文书档案）做试点
• 编目核心字段：优先用《归档文件整理规则》（DA/T 22-2024）规定的必填字段：全宗号、年度、保管期限、件号、题名、责任者、成文日期、页数
• 现有资源条件：确认存量档案数字化率（不足50%先补扫描，扫描分辨率不低于300dpi、彩色PDF格式）、服务器配置（最低4核8G、500G固态硬盘）

二、零成本/低成本工具选型（优先纯开源方案）

1. 基础OCR文字提取工具：Tesseract 5.3.3

• Windows安装步骤：
  1. 打开GitHub官方下载页：https://github.com/UB-Mannheim/tesseract/wiki，选择tesseract-ocr-w64-setup-5.3.3.20231007.exe下载
  2. 安装时勾选“Additional language data”中的Chinese (Simplified)、Chinese (Traditional)，其他默认选项即可
  3. 配置环境变量：右键“此电脑”→属性→高级系统设置→环境变量→系统变量→Path→编辑→新建→粘贴Tesseract安装路径（默认C:\Program Files\Tesseract-OCR）
  4. 验证安装：按Win+R输入cmd，回车，输入tesseract -v，显示版本号即为成功
• Linux（Ubuntu 22.04）安装步骤：
  1. 更新源：sudo apt update
  2. 安装Tesseract及中文包：sudo apt install tesseract-ocr tesseract-ocr-chi-sim tesseract-ocr-chi-tra
  3. 验证安装：tesseract -v

2. 智能编目轻量化脚本工具：Python 3.11 + PyTesseract + Pandas

• Python安装步骤：
  1. 打开官网下载页：https://www.python.org/downloads/release/python-3119/，选择Windows x86-64 executable installer（Windows）或对应Linux安装包
  2. Windows安装时勾选“Add Python 3.11 to PATH”，其他默认选项；Linux安装参考官方文档或用包管理器一键安装
  3. 验证安装：输入python -V（Windows）或python3 -V（Linux），显示版本号即为成功
• 依赖库安装步骤：
  1. 打开cmd（Windows）或终端（Linux）
  2. 输入镜像源加速安装命令：pip install pytesseract pandas pillow -i https://pypi.tuna.tsinghua.edu.cn/simple

三、配置实施：可直接复制的核心脚本+配套规则

1. 建立智能编目字段映射规则文件

新建Excel文件命名为field_mapping.xlsx，保存为.xls或.xlsx格式（优先.xlsx），sheet1命名为mapping，内容如下：

规则名称	目标DA/T22-2024字段	匹配方式	匹配关键词/正则表达式	优先级
保管期限-永久	保管期限	关键词	永久|长期（仅限2006年前归档）	1
保管期限-定期30年	保管期限	关键词	30年|定期30	2
成文日期-纯数字8位	成文日期	正则表达式	\d{4}(0[1-9]|1[0-2])(0[1-9]|[12]\d|3[01])	1
责任者-党政机关全称	责任者	关键词	XX省XX市XX局|XX集团XX有限公司（替换为你的单位全称）	1

2. 核心智能编目脚本

新建Python文件命名为auto_catalog.py，复制以下代码并修改开头注释部分的配置：

```python import os import pytesseract from PIL import Image import pandas as pd import re -- 请修改以下配置 -- INPUT_FOLDER = "D:\\test_archives" 替换为你的待编目PDF转图片后的文件夹路径（PDF转图片用免费工具PDF24 Creator，官网：https://tools.pdf24.org/zh/） OUTPUT_EXCEL = "D:\\catalog_result.xlsx" 替换为你的编目结果保存路径 MAPPING_FILE = "D:\\field_mapping.xlsx" 替换为你的字段映射规则文件路径 -- 加载字段映射规则 mapping_df = pd.read_excel(MAPPING_FILE, sheet_name="mapping") 初始化编目结果列表 catalog_list = [] 遍历待编目图片文件夹（图片命名格式建议：全宗号_年度_原始件号.jpg） for filename in os.listdir(INPUT_FOLDER): if filename.lower().endswith(('.jpg', '.jpeg', '.png', '.bmp')): 从文件名提取默认必填字段 default_fields = {} try: parts = filename.split("_") default_fields["全宗号"] = parts[0] default_fields["年度"] = parts[1] default_fields["原始件号"] = parts[2].split(".")[0] except: print(f"跳过命名格式错误的文件：{filename}") continue OCR提取文字 img_path = os.path.join(INPUT_FOLDER, filename) img = Image.open(img_path) text = pytesseract.image_to_string(img, lang='chi_sim+chi_tra+eng') text = text.replace("\n", "").strip() 初始化智能匹配字段 auto_fields = { "保管期限": "", "责任者": "", "成文日期": "", "题名": text[:100] 默认取前100字作为题名候选 } 按优先级匹配字段 for _, row in mapping_df.iterrows(): target_field = row["目标DA/T22-2024字段"] if auto_fields[target_field]: 已匹配到高优先级则跳过 continue match_type = row["匹配方式"] match_str = row["匹配关键词/正则表达式"] if match_type == "关键词": if match_str in text: if target_field == "保管期限": auto_fields[target_field] = match_str.split("|")[0] if "永久" in match_str else match_str.split("|")[0] else: auto_fields[target_field] = match_str elif match_type == "正则表达式": match_res = re.search(match_str, text) if match_res: auto_fields[target_field] = match_res.group() 合并默认字段和智能匹配字段，生成完整记录 full_record = { "全宗号": default_fields["全宗号"], "年度": default_fields["年度"], "保管期限": auto_fields["保管期限"], "件号": default_fields["原始件号"], 可后续手动调整为规范件号 "题名": auto_fields["题名"], "责任者": auto_fields["责任者"], "成文日期": auto_fields["成文日期"], "页数": "", 可后续批量导入PDF页数（PDF24 Creator可批量导出） "原始文件名": filename, "OCR全文": text } catalog_list.append(full_record) print(f"完成编目：{filename}") 保存编目结果到Excel result_df = pd.DataFrame(catalog_list) result_df.to_excel(OUTPUT_EXCEL, index=False, engine='openpyxl') print(f"编目完成，结果已保存至：{OUTPUT_EXCEL}") ```

3. 智能编目补充规范规则

• PDF转图片规则：用PDF24 Creator打开“批量转换”功能，选择待编目PDF，输出格式选JPG，分辨率设为300dpi，颜色模式选彩色，单页PDF生成1张图片，多页PDF默认生成首页图片用于编目
• 候选题名修改规则：优先保留“关于……的通知/请示/报告”等标准公文结构的内容，删除页眉页脚的冗余信息
• 批量验证规则：导出Excel后，用筛选功能检查必填字段是否为空，优先修正占比前20%的空字段

四、上线验收：3步验证落地效果

• 步骤1：准确率测试：抽取100份已完成人工编目的存量档案，用上述工具自动编目，对比必填字段的匹配准确率，要求责任者、成文日期准确率≥90%，保管期限准确率≥85%
• 步骤2：效率测试：统计人工编目100份档案的时间（不含扫描），对比自动编目+人工修正的时间，要求效率提升≥50%
• 步骤3：制度固化：将调研表、字段映射规则、脚本使用说明、批量验证规则整理为《档案智能编目操作手册》，明确试点范围、责任人、验收标准