用Python+OCR工具Tesseract实现档案数字化 快速提升日常经营管理决策效率

一、准备工作：安装所有必需工具

1.1 安装Python环境

首先确保电脑上有Python 3.8以上版本（3.9-3.11最稳定），检查方式：打开Windows cmd或Mac/Linux终端，输入python --version（Mac/Linux部分系统用python3 --version）。

若未安装，直接访问Python官方下载页获取对应系统安装包：https://www.python.org/downloads/，安装时务必勾选“Add Python to PATH”（Windows系统），Mac/Linux用系统包管理器（Homebrew、apt-get等）也可，这里以官方包为例。

1.2 安装Tesseract OCR引擎

这是识别文字的核心：

• Windows：下载Tesseract 5.x安装包（含中文简体包，否则只识别英文），地址是https://github.com/UB-Mannheim/tesseract/wiki，安装路径默认即可，安装后将C:\Program Files\Tesseract-OCR（如果是64位可能是Program Files (x86)，自己检查）添加到系统环境变量PATH中，步骤：右键此电脑→属性→高级系统设置→环境变量→系统变量里找PATH→编辑→新建→粘贴路径→确定三次。
• Mac：打开终端，先安装Homebrew（如果没有的话）：/bin/bash -c "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/HEAD/install.sh)"，然后用brew安装Tesseract和简体中文语言包：brew install tesseract tesseract-lang。
• Linux（以Ubuntu/Debian为例）：sudo apt update && sudo apt install tesseract-ocr tesseract-ocr-chi-sim。

1.3 安装Python依赖库

打开终端，依次输入并执行以下两条命令（都用国内镜像源避免卡顿）：

• 安装图片处理库Pillow：pip install pillow -i https://pypi.tuna.tsinghua.edu.cn/simple
• 安装Python调用Tesseract的库pytesseract：pip install pytesseract -i https://pypi.tuna.tsinghua.edu.cn/simple

二、第一步：单页纸质档案/扫描件转可编辑文本

这个是基础，先解决单份文件的识别，避免批量出错找不到问题。

2.1 准备测试档案

找一张清晰的A4纸打印的财务报表、销售记录或会议纪要扫描件/手机翻拍件（翻拍时尽量正对、光线均匀、无阴影、边缘对齐，这样识别率95%以上），保存为test.jpg/test.png，放在D盘（Mac/Linux放在桌面）新建的archive_demo文件夹里。

2.2 编写单页识别脚本

在archive_demo文件夹里新建一个记事本，粘贴以下完整代码，保存为single_ocr.py（Windows要把文件类型改成“所有文件”，否则变成.txt）：

```python import pytesseract from PIL import Image Windows用户如果没有把Tesseract加到PATH，这里要手动指定路径（比如下面这行取消注释） pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe' 打开测试图片 img = Image.open('test.jpg') 如果是test.png直接改文件名 识别文字，chi_sim是简体中文，eng是英文，混合识别用chi_sim+eng text = pytesseract.image_to_string(img, lang='chi_sim+eng') 保存识别结果到同目录的single_result.txt with open('single_result.txt', 'w', encoding='utf-8') as f: f.write(text) print('单页识别完成！结果已保存到single_result.txt') ```

2.3 运行脚本并验证

在archive_demo文件夹里右键空白处打开终端（Windows是按住Shift+右键→在此处打开PowerShell/命令窗口），输入python single_ocr.py（Mac/Linux用python3 single_ocr.py），运行后打开single_result.txt，核对文字是否正确。

三、第二步：批量档案数字化（按文件夹自动处理）

单页没问题后，处理一整个文件夹的档案，自动分类到子文件夹里，避免混乱。

3.1 整理批量档案

在archive_demo里再建两个文件夹：input_archives（放所有待处理的扫描件/手机图，支持jpg、jpeg、png、bmp格式）、output_texts（自动生成的可编辑文本会放在这里，文件名和原图片一致）。

3.2 编写批量识别脚本

同样新建记事本，粘贴以下完整代码，保存为batch_ocr.py：

```python import pytesseract from PIL import Image import os Windows用户手动指定Tesseract路径的话，取消下面这行的注释 pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe' 定义输入输出路径 input_dir = 'input_archives' output_dir = 'output_texts' 确保输出文件夹存在，不存在就自动创建 os.makedirs(output_dir, exist_ok=True) 遍历输入文件夹里的所有图片文件 for filename in os.listdir(input_dir): 判断是否是支持的图片格式 if filename.lower().endswith(('.jpg', '.jpeg', '.png', '.bmp')): try: 打开图片 img_path = os.path.join(input_dir, filename) img = Image.open(img_path) 识别文字 text = pytesseract.image_to_string(img, lang='chi_sim+eng') 生成输出文本文件名（把原后缀改成.txt） txt_filename = os.path.splitext(filename)[0] + '.txt' txt_path = os.path.join(output_dir, txt_filename) 保存结果 with open(txt_path, 'w', encoding='utf-8') as f: f.write(text) print(f'✅ 已处理：{filename}') except Exception as e: print(f'❌ 处理失败：{filename}，错误原因：{str(e)}') print('批量处理结束！请查看output_texts文件夹') ```

3.3 处理批量档案

把待处理的图片全部拖进input_archives，打开终端运行python batch_ocr.py，等待处理完成即可。

四、第三步：快速提取关键决策数据（以财务利润表为例）

档案转成文本后，我们可以用Python简单筛选数据，不用翻几十页找利润、销售额这类核心指标，直接生成决策用的汇总表。

4.1 准备待筛选的文本规则

这里假设我们的档案是连续三个月的利润表扫描件，已经批量转成output_texts里的txt文件，每个txt里有“营业收入”、“营业利润”、“净利润”三个关键指标，后面跟着具体的数字（单位万元）。

4.2 编写关键数据提取脚本

新建记事本，粘贴以下完整代码，保存为extract_data.py：

```python import os import re 定义输出路径 output_texts_dir = 'output_texts' summary_file = 'decision_summary.csv' CSV可以直接用Excel打开 确保输出路径没问题 os.makedirs(os.path.dirname(summary_file) if os.path.dirname(summary_file) else '.', exist_ok=True) 定义提取规则的正则表达式（匹配“指标名：数字”或“指标名 数字”的格式，数字可以有逗号或小数点） pattern = re.compile(r'(营业收入|营业利润|净利润)\s[:：]?\s([-+]?\d{1,3}(?:,\d{3})(?:\.\d+)?)') 打开汇总表准备写入 with open(summary_file, 'w', encoding='utf-8-sig') as f: utf-8-sig是为了Excel打开不乱码 写入表头 f.write('文件名,营业收入(万元),营业利润(万元),净利润(万元)\n') 遍历所有文本文件 for filename in os.listdir(output_texts_dir): if filename.lower().endswith('.txt'): txt_path = os.path.join(output_texts_dir, filename) with open(txt_path, 'r', encoding='utf-8') as f_txt: content = f_txt.read() 提取三个指标，默认值留空 data = { '营业收入': '', '营业利润': '', '净利润': '' } matches = pattern.findall(content) for key, value in matches: if key in data: data[key] = value.replace(',', '') 去掉数字里的逗号，方便Excel计算 写入一行数据 f.write(f'{filename},{data["营业收入"]},{data["营业利润"]},{data["净利润"]}\n') print(f'✅ 已提取数据：{filename}') print('数据提取结束！请用Excel打开decision_summary.csv') ```

4.3 验证提取结果

运行python extract_data.py，然后用Excel打开decision_summary.csv，就能看到整理好的、可以直接求和或做折线图的决策数据了。

五、卡壳排查

• 提示找不到Tesseract：Windows检查是否加了PATH，加了的话重启终端/电脑；Mac/Linux检查是否正确安装了语言包。
• 识别率低：先处理图片，用Pillow加一段代码把图片转成灰度、提高对比度，例如在打开img后加：img = img.convert('L') 转灰度、img = img.point(lambda x: 0 if x < 128 else 255, '1') 二值化（可选，根据图片效果调整128这个阈值）。
• 提取不到数据：检查正则表达式里的指标名是否和txt里的完全一致，比如有没有空格、冒号是中文还是英文，修改pattern里的内容即可。