一、环境准备与依赖安装
在开始2026年档案整理项目之前，必须先搭建好Python运行环境并安装必要的第三方库。本方案基于Python 3.9版本开发，利用OCR技术识别扫描件中的文字信息，从而实现自动分类和重命名。
1.1 安装Python核心依赖
打开终端或命令提示符，执行以下命令安装处理图片和文件所需的库。请确保网络连接通畅，使用国内镜像源以加快下载速度。
```bash
pip install Pillow pytesseract
```
参数说明：
- Pillow：Python图像处理标准库，用于打开、操作和保存图片文件。
- pytesseract：Tesseract-OCR的Python封装包，用于调用OCR引擎提取图片中的文字。
1.2 安装Tesseract-OCR引擎
Python库只是接口，实际的文字识别依赖于Tesseract引擎。必须根据操作系统安装对应的二进制文件。
Windows系统：
访问Tesseract at UB Mannheim的官方发布页面，直接下载tesseract-ocr-w64-setup-5.3.3.20231005.exe（或更新版本）。安装时务必勾选“Additional language data”，并下载chi_sim（简体中文）和eng（英文）语言包，否则无法识别中文档案。安装路径建议保持默认：C:\Program Files\Tesseract-OCR。
macOS系统：
使用Homebrew进行一键安装，命令如下：
```bash
brew install tesseract tesseract-lang
```
Linux系统：
```bash
sudo apt-get install tesseract-ocr tesseract-ocr-chi-sim
```
二、项目目录结构设计
为了确保2026年档案整理工作的有序进行，请在本地磁盘创建一个标准的工作目录。以下是推荐的目录结构，请严格按照此结构创建文件夹：
```text
archive_project_2026/
├── config.json 配置文件，定义归档规则
├── raw_data/ 存放待整理的原始扫描件（JPG/PNG）
├── sorted_archives/ 脚本运行后，整理好的档案输出目录
└── archive_manager.py 核心自动化脚本
```
操作步骤：
- 新建文件夹
archive_project_2026。
- 进入该文件夹，创建
raw_data和sorted_archives两个子文件夹。
- 将所有待处理的杂乱扫描件图片复制到
raw_data中。
三、配置文件编写
为了提高代码的灵活性，我们将归档规则提取到config.json中。创建该文件并复制以下JSON内容。此配置定义了档案中包含的关键字段（如“年份”、“部门”）以及对应的输出文件夹命名规则。
```json
{
"tesseract_cmd": "C:\\Program Files\\Tesseract-OCR\\tesseract.exe",
"input_dir": "./raw_data",
"output_dir": "./sorted_archives",
"patterns": {
"year": "年份[:：]\\s(\\d{4})",
"department": "部门[:：]\\s([\\u4e00-\\u9fa5]+)",
"title": "标题[:：]\\s([\\u4e00-\\u9fa5a-zA-Z0-9]+)"
},
"default_folder": "未分类档案"
}
```
注意：如果是macOS或Linux用户，请将tesseract_cmd项删除，或者修改为系统中的实际路径，通常系统会自动识别环境变量。Windows用户必须保留此项，且路径中的双反斜杠\\不能省略，否则会报路径解析错误。
四、核心归档脚本开发
创建archive_manager.py文件。这是整个实操的核心，它将读取配置，扫描图片，识别文字，提取元数据，并移动文件。代码完全基于Python标准库和已安装的第三方库编写，无其他依赖。
```python
import os
import json
import shutil
import re
import pytesseract
from PIL import Image
加载配置文件
def load_config(config_path='config.json'):
if not os.path.exists(config_path):
raise FileNotFoundError(f"配置文件 {config_path} 未找到，请检查路径。")
with open(config_path, 'r', encoding='utf-8') as f:
return json.load(f)
初始化OCR引擎路径
def init_tesseract(config):
if 'tesseract_cmd' in config and config['tesseract_cmd']:
pytesseract.pytesseract.tesseract_cmd = config['tesseract_cmd']
从图片中提取文字
def extract_text_from_image(image_path):
try:
image = Image.open(image_path)
转换为RGB模式，防止部分RGBA图片报错
if image.mode != 'RGB':
image = image.convert('RGB')
使用简体中文和英文混合识别
text = pytesseract.image_to_string(image, lang='chi_sim+eng')
return text
except Exception as e:
print(f"识别文件 {image_path} 失败: {e}")
return ""
根据正则提取关键信息
def parse_metadata(text, patterns):
metadata = {}
for key, pattern in patterns.items():
match = re.search(pattern, text)
if match:
metadata[key] = match.group(1).strip()
return metadata
构建新的文件名和目标路径
def build_destination(metadata, filename, output_dir, default_folder):
year = metadata.get('year', '未知年份')
dept = metadata.get('department', '未知部门')
title = metadata.get('title', '未命名')
构建文件夹结构：输出目录/年份/部门/
target_folder = os.path.join(output_dir, year, dept)
构建新文件名：标题_原文件名
name, ext = os.path.splitext(filename)
new_filename = f"{title}_{name}{ext}"
return os.path.join(target_folder, new_filename), target_folder
主处理逻辑
def process_archives():
print("正在加载配置...")
config = load_config()
init_tesseract(config)
input_dir = config['input_dir']
output_dir = config['output_dir']
patterns = config['patterns']
if not os.path.exists(input_dir):
print(f"输入目录 {input_dir} 不存在。")
return
files = [f for f in os.listdir(input_dir) if f.lower().endswith(('.png', '.jpg', '.jpeg'))]
print(f"扫描到 {len(files)} 个待处理文件。")
for filename in files:
file_path = os.path.join(input_dir, filename)
print(f"正在处理: {filename} ...")
1. OCR识别
text = extract_text_from_image(file_path)
2. 提取元数据
metadata = parse_metadata(text, patterns)
3. 确定目标路径
dest_path, target_folder = build_destination(metadata, filename, output_dir, config.get('default_folder'))
4. 创建目录并移动文件
try:
os.makedirs(target_folder, exist_ok=True)
shutil.move(file_path, dest_path)
print(f"成功归档至: {dest_path}")
except Exception as e:
print(f"移动文件 {filename} 时出错: {e}")
if __name__ == "__main__":
process_archives()
```
五、实操运行与验证
5.1 准备测试数据
为了验证脚本效果，你需要准备符合规则的测试图片。找一张JPG图片，使用画图工具在图片上方的空白处输入以下文字（这是OCR识别的数据源）：
图片上的文字内容：
年份：2026
部门：技术部
服务器架构升级方案
将此图片保存为test_01.jpg并放入raw_data文件夹中。确保文字清晰，背景对比度高，否则OCR识别率会下降。
5.2 执行脚本
在archive_project_2026目录下打开终端，运行以下命令启动自动化归档：
```bash
python archive_manager.py
``>
终端将输出处理日志。如果配置正确且Tesseract安装成功（特别是Windows下的路径配置），你将看到“成功归档至”的提示。
5.3 结果核对
打开sorted_archives文件夹，检查生成的目录结构是否符合预期：
```text
sorted_archives/
└── 2026/
└── 技术部/
└── 服务器架构升级方案_test_01.jpg
``>
如果文件成功移动到上述路径，说明自动化归档流程已打通。如果遇到TesseractNotFoundError，请再次检查config.json中的tesseract_cmd路径是否指向了.exe文件。
六、常见问题处理
在实操过程中，可能会遇到以下具体问题，请参考对应的解决方案：
- 识别率低或乱码：这通常是因为扫描件分辨率过低或图片有噪点。解决方法是在调用OCR前对图片进行二值化处理。可以在
extract_text_from_image函数中添加image = image.convert('L').point(lambda x: 0 if x < 128 else 255, '1')来增强黑白对比度。
- 文件名包含特殊字符报错：提取的标题中可能包含Windows不允许的文件名字符（如 / : ? " < > |）。可以在
build_destination函数中添加正则替换逻辑：re.sub(r'[\\/?:"<>|]', "", title)。
- 权限错误：确保
raw_data中的文件没有被其他程序（如图片查看器）占用，且脚本对当前目录有读写权限。
