档案数字化项目OCR识别完整实操流程 零门槛落地指南

一、前期工具准备

本次实操采用开源免费OCR工具，可离线处理，满足档案数字化合规要求，所有工具均可直接复制命令安装：

1. 核心工具安装

• Windows系统：直接从GitHub下载安装包，地址：https://github.com/tesseract-ocr/tesseract/releases，下载时勾选中文语言包完成安装，安装后将安装路径添加到系统环境变量Path
• MacOS系统：打开终端执行命令： ``` brew install tesseract tesseract-lang ```
• Linux(Ubuntu/Debian)系统：打开终端执行命令： ``` sudo apt update && sudo apt install -y tesseract-ocr tesseract-ocr-chi-sim ```
• Python依赖安装，所有系统统一执行： ``` pip install pytesseract pillow opencv-python numpy ```

2. 待处理档案整理

提前将所有档案扫描件按原分类放入同一个父文件夹，所有文件夹和文件名不要包含中文字符，避免工具调用报错，统一保存为JPG/PNG格式，这一步提前做好能避免80%的后期运行问题。

二、核心实操流程

第一步：档案扫描件批量预处理

预处理直接决定OCR识别准确率，90%的低识别率问题都是预处理不到位导致的，核心操作包含分辨率调整、倾斜校正、二值化去噪、黑边裁剪四步，以下是可直接运行的批量预处理代码：

``` import cv2 import os import numpy as np input_dir = "./input" 替换为你的待处理档案文件夹路径 output_dir = "./output_pre" 预处理后输出文件夹 os.makedirs(output_dir, exist_ok=True) for filename in os.listdir(input_dir): if filename.endswith(('.jpg', '.png', '.jpeg')): img = cv2.imread(os.path.join(input_dir, filename)) 1. 分辨率调整到适配300DPI的尺寸 h, w = img.shape[:2] if max(h,w) < 2000: img = cv2.resize(img, (int(w2), int(h2)), interpolation=cv2.INTER_CUBIC) 2. 自动倾斜校正 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) coords = np.column_stack(np.where(gray > 0)) angle = cv2.minAreaRect(coords)[-1] if angle < -45: angle = -(90 + angle) else: angle = -angle (h, w) = img.shape[:2] center = (w // 2, h // 2) M = cv2.getRotationMatrix2D(center, angle, 1.0) rotated = cv2.warpAffine(img, M, (w, h), flags=cv2.INTER_CUBIC, borderMode=cv2.BORDER_REPLICATE) 3. 二值化去噪 _, thresh = cv2.threshold(cv2.cvtColor(rotated, cv2.COLOR_BGR2GRAY), 127, 255, cv2.THRESH_BINARY) 4. 去除装订黑边 contours, _ = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) cnt = max(contours, key=cv2.contourArea) x,y,w,h = cv2.boundingRect(cnt) crop = thresh[y:y+h, x:x+w] 保存预处理结果 cv2.imwrite(os.path.join(output_dir, filename.replace('.jpg', '.png')), crop) ```

使用说明：修改代码开头的input_dir为你的档案文件夹路径，直接运行即可完成批量预处理，不需要手动调整每一张。

第二步：批量OCR文字提取

预处理完成后，运行以下代码即可批量提取文字，每张档案对应生成一个同名TXT文本文件，方便后续归档：

``` import pytesseract import os import cv2 pre_dir = "./output_pre" 预处理后的文件夹路径 output_txt_dir = "./ocr_result" 识别结果输出路径 os.makedirs(output_txt_dir, exist_ok=True) Windows系统需要取消下一行注释，替换为你实际的安装路径，Mac/Linux可直接删除这行 pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe' for filename in os.listdir(pre_dir): if filename.endswith(('.png', '.jpg')): img = cv2.imread(os.path.join(pre_dir, filename)) OCR识别，简体中文+英文 text = pytesseract.image_to_string(img, lang='chi_sim+eng') 保存结果 txt_name = filename.split('.')[0] + '.txt' with open(os.path.join(output_txt_dir, txt_name), 'w', encoding='utf-8') as f: f.write(text) ```

注意事项：如果需要识别繁体中文，将lang参数改为chi_tra+eng即可。

第三步：结果校对与归档

• 批量校对：对于印刷体档案，默认识别准确率在95%以上，可将所有TXT文件导入Word，利用自带拼写检查功能批量标注错误，人工核对修正即可；
• 对应归档：按照原档案的分类编号规则，将原扫描件、预处理后的图片、识别后的TXT文件三个为一组，对应命名存储；如果需要生成符合要求的可检索双层PDF，可添加PyPDF2依赖，将识别文字叠加到原扫描件上即可；
• 终检完成：按照档案管理要求，抽查10%的档案核对内容准确率，准确率达到98%以上即可完成入库。

三、常见问题排查

1. 识别准确率低怎么解决？

• 检查分辨率：扫描件分辨率必须达到300DPI，低于200DPI识别准确率会下降30%以上，代码已经自动放大低分辨率图片，若还是偏低需要重新扫描；
• 检查预处理：确认装订黑边已经被裁剪，倾斜已经校正，纸面污渍已经去除，黑边对识别结果的影响远大于预期；
• 更新语言包：如果识别特殊字体，可从https://github.com/tesseract-ocr/tessdata下载对应语言包，放到Tesseract的tessdata目录即可。

2. 运行代码报错怎么解决？

• 报错`pytesseract is not installed or it's not in your PATH`：Windows系统检查环境变量是否配置，安装路径是否和代码中填写的一致；
• 报错`No such file or directory`：检查文件路径是否正确，路径中是否包含中文字符；
• 批量处理卡顿：分批次处理，每次放入不超过50张图片，避免内存占用过高。

整个流程不需要付费工具，完全离线运行，符合档案数据安全要求，所有代码均可直接复制修改使用，从零开始1小时内即可完成环境搭建和第一批档案处理。