典当行业档案数字化从零开始全流程实操技术指南

一、前期准备工作（30分钟完成）

1.1 硬件要求

典当档案多为A4幅面的当票、评估报告、质押合同，必须准备支持自动馈纸的A4扫描仪，避免手动分页卡壳，无需高端专业设备，入门商用级即可满足需求。

1.2 软件准备

全部使用开源免费工具，无版权风险，具体安装方式如下：

• 扫描仪驱动：从扫描设备品牌官网下载对应型号的最新驱动
• OCR文字识别工具：Tesseract 5.3.3，Ubuntu/Debian安装命令：sudo apt install tesseract-ocr tesseract-ocr-chi-sim；Windows版本直接从官方GitHub下载：https://github.com/tesseract-ocr/tesseract/releases/tag/5.3.3
• 文件管理工具：使用操作系统自带的终端/PowerShell，无需额外安装

二、核心实操步骤（按顺序操作，1小时完成100页档案）

2.1 档案分类与预处理（10分钟）

必须先分类再扫描，避免后续混乱，直接复制以下代码到终端生成固定目录结构：

``` mkdir -p 典当档案/当票 典当档案/评估报告 典当档案/质押合同 典当档案/附件 ```

将对应类型的纸质档案放入对应文件夹（如当票放“当票”目录），剔除订书钉、曲别针，用重物压平折角，确保纸张平整无卷曲。

2.2 扫描仪批量扫描（20分钟）

启动扫描仪驱动软件，按以下参数设置（缺一不可）：

• 分辨率：300DPI（兼顾清晰度和文件大小，过高会大幅占用存储）
• 色彩模式：灰度模式（典当档案无需彩色，可压缩50%以上体积）
• 文件格式：PDF/A-1a（长期存档专用格式），避免后续因软件版本更新损坏文件

将20张左右档案堆叠放入扫描仪（不要超过最大进纸量），点击“批量扫描”，完成后临时存放至对应类型的临时文件夹，用PowerShell批量重命名（Windows）：

``` Get-ChildItem .\临时扫描文件\当票\ | Rename-Item -NewName {"当票_$(Get-Date -Format 'yyyyMMdd')_$($_.Name)"} ```

2.3 OCR文字提取与校对（25分钟）

典当档案需支持文字检索，必须完成OCR转换，针对当票的命令（直接复制执行）：

``` tesseract ./当票/当票_20240520_001.pdf ./OCR输出/当票_20240520_001 -l chi_sim ```

必须校对10%以上的识别结果：当票上的手写数字（如当期、金额、身份证号）易识别错误，用记事本打开输出的TXT文件，对比原PDF修正，修正后将TXT与PDF放在同一目录，命名为“[档案名]_OCR.txt”。

2.4 元数据录入与存档（5分钟）

为每个档案添加检索用元数据，右键PDF→属性→详情，填写：

• 当票编号（如“当票20240520001”）
• 作者：典当行全称
• 关键词：当票、质押、实档人姓名

全部整理完成后，先复制到移动硬盘做冷备份，再将最终档案包（含PDF、OCR文本）重命名为“典当档案_YYYYMMDD”，存入本地固定存储区。

三、常见问题解决（5条核心痛点）

3.1 扫描仪批量进纸卡壳

检查纸张是否超过20张单次进纸上限，调整扫描驱动的“进纸速度”为低速，剔除有折角或厚度不均的纸张。

3.2 OCR手写数字识别错误

若手写部分（如金额）识别率低于70%，用手机免费扫描APP单独拍摄该页，调整拍摄角度为90度，再重新导入OCR工具，最后人工修正数字部分。

3.3 单份档案文件过大

打开PDF→工具→优化扫描PDF→选择“最小文件大小”，或用在线免费压缩工具：https://smallpdf.com/cn/compress-pdf，压缩率控制在1:2以内，不影响清晰度。

3.4 档案目录混乱

严格按照第一步的目录分类，每扫描100页暂停10分钟整理重命名，不要一次性扫完再处理，避免混淆不同类型的档案。

3.5 长期存档文件损坏

必须仅使用PDF/A格式存档，不要用JPG或普通PDF，每年将档案包备份到离线硬盘（如移动硬盘），避免云存储风险。