大同档案数字化全流程实操指南：零门槛落地操作步骤

大同档案数字化实操全流程

前期准备：硬件+软件+档案预处理

硬件要求：必须使用A4幅面平板式扫描仪，支持300dpi以上分辨率，禁止使用馈纸式扫描仪，避免损坏纸质档案边栏。

软件准备：所有工具为开源免费，零成本落地，仅支持Windows系统（其他系统可替换对应包管理工具），按顺序执行以下命令安装：

• 安装Chocolatey包管理器（批量安装工具）： ``` Set-ExecutionPolicy Bypass -Scope Process -Force; [System.Net.ServicePointManager]::SecurityProtocol = [System.Net.ServicePointManager]::SecurityProtocol -bor 3072; iex ((New-Object System.Net.WebClient).DownloadString('https://community.chocolatey.org/install.ps1')) ```
• 安装图像处理工具ImageMagick：```choco install imagemagick -y```
• 安装OCR工具Tesseract及简体中文包：```choco install tesseract tesseract-lang-chi_sim -y```
• 安装PDF转图片工具poppler：```choco install poppler -y```

档案预处理（直接决定后续质量，不可省略）：

• 拆装订：用起钉器轻柔拆除装订物，避免刮破撕裂，保留边栏（含骑缝章、页眉页脚）。
• 分页整理：用蘸少量清水的棉签分开粘连页面，晾干后整理成单页；用铅笔在页面右下角标注流水号（从001开始），不遮挡正文。
• 页面清洁：用无尘布擦拭浮尘，禁止使用酒精等化学试剂。

核心操作：扫描+优化+OCR

扫描操作（严格遵循国家档案标准）

扫描前清洁扫描仪玻璃平台，确保无指纹、灰尘；页面正面朝下，左上角与平台左上角对齐，保证扫描后页码顺时针排列。扫描参数必须完全执行，否则不符合验收要求：

• 分辨率：300dpi
• 颜色模式：灰度
• 文件格式：PDF/A-1b（长期存档强制标准，禁止用普通PDF）
• 扫描方式：逐页扫描，每扫1页预览确认无黑边、模糊后再确认。

图像处理优化（解决扫描瑕疵）

复制以下命令到CMD/PowerShell执行，自动校正倾斜、优化对比度：

``` convert -density 300 input.pdf -colorspace Gray -contrast -normalize -deskew 40% -depth 8 output_optimized.pdf ```

关键参数（值不可修改）：

• -deskew 40%：自动校正倾斜，超过40%会导致内容变形，禁止调整
• -depth 8：压缩文件体积，不影响清晰度

擦除大面积黑色污点（直径＞1mm），命令：

``` convert input.pdf -fill white -fuzz 5% -opaque black cleaned.pdf ```

OCR文本提取（生成可检索内容）

先将PDF转成单页图片：```pdftocairo -png output_optimized.pdf page-%03d.png```

再执行OCR提取简体中文文本：```tesseract page-.png all_archive_text.txt -l chi_sim```

合并所有文本为单文件：```cat all_archive_text.txt > archive_full_text.txt```

提示：若含英文，将`-chi_sim`替换为`-chi_sim+eng`，需提前安装英文语言包。

验收标准（直接通过档案部门审核）

• 分辨率：300dpi，误差≤5dpi
• 格式：必须为PDF/A-1b，禁止用普通PDF
• 图像质量：倾斜角≤0.5°，无大面积污点，页码连续无缺失
• OCR准确率：≥95%，准确率计算方式：（正确字符数÷总字符数）×100；低于95%需重新扫描或修正图像后重试

常见问题快速排查

• 扫描倾斜：确认图像处理命令的`-deskew`参数为40%，或扫描时严格对齐平台左上角
• OCR乱码：检查是否安装对应语言包，`-l`参数是否正确，图片是否清晰
• 文件过大：用JPEG压缩（质量80），命令：```convert output_optimized.pdf -compress JPEG -quality 80 output_small.pdf```，压缩质量不可超85或低于75