预防接种档案数字化全流程实操技术指南 零基础可直接落地无坑运行

一、前期准备工作

1.1 软硬件环境配置

服务器最低配置：2核4G云服务器/本地服务器，操作系统使用CentOS7.9，镜像下载地址：https://mirrors.aliyun.com/centos/7.9.2009/isos/x86_64/ ；客户端使用普通Win10及以上办公电脑即可，支持外接高速扫描仪。

1.2 必备工具安装

所有工具均为开源免费工具，可直接执行以下命令安装：

• 批量扫描工具：LiME v1.9.1，下载地址：https://github.com/504ensicsLabs/LiME/releases/tag/v1.9.1
• 数据库：MySQL8.0，CentOS环境执行安装命令：
  yum install -y https://dev.mysql.com/get/mysql80-community-release-el7-3.noarch.rpm && yum install -y mysql-community-server && systemctl start mysqld && systemctl enable mysqld
• OCR识别工具：PaddleOCR开源版，Python3.7+环境执行安装命令：
  pip install paddlepaddle==2.4.2 paddleocr==2.6.1.3 pandas pymysql

二、纸质档案数字化采集实操

2.1 纸质档案预处理

• 分类分拣：按接种人所属接种点、接种证编号排序，将破损、粘连、字迹模糊的档案单独分拣标注，优先处理完好档案
• 平整修复：拆除所有金属订书钉、回形针，褶皱页面用普通压书器压平30分钟以上，边缘破损页面用透明胶带在背面粘贴修复，避免遮挡文字

2.2 扫描参数配置

打开LiME扫描工具，按以下参数配置，配置完成后可保存为预设模板，后续批量扫描直接调用：

• 扫描分辨率：300DPI，低于该值会导致OCR识别准确率下降
• 色彩模式：24位真彩色，字迹偏淡的档案可适当调高对比度20%
• 存储格式：JPG，单文件大小控制在800KB-1M之间
• 自动命名规则：接种地区编码_接种人身份证号_扫描日期.jpg，例如：110101_110101199001011234_20240520.jpg
• 开启自动纠偏、自动去黑边、自动分页功能

2.3 结构化信息自动提取

将所有扫描好的JPG文件存入同一文件夹，新建Python文件extract.py，复制以下代码直接运行即可自动提取核心字段：

```python from paddleocr import PaddleOCR import os import re 初始化OCR模型，仅识别中文、数字，关闭运行日志 ocr = PaddleOCR(use_angle_cls=True, lang='ch', show_log=False) 扫描件存放目录，可自行修改 SCAN_PATH = "./scan_files/" 提取结果输出目录 OUTPUT_PATH = "./extract_result/" os.makedirs(OUTPUT_PATH, exist_ok=True) 身份证号正则校验规则 ID_CARD_PATTERN = re.compile(r'[1-9]\d{5}(18|19|20)\d{2}((0[1-9])|(1[0-2]))(([0-2][1-9])|10|20|30|31)\d{3}[0-9Xx]') for file_name in os.listdir(SCAN_PATH): if not file_name.endswith(".jpg"): continue file_path = os.path.join(SCAN_PATH, file_name) result = ocr.ocr(file_path, cls=True) text_list = [line[1][0].strip() for line in result[0]] extract_data = { "area_code": file_name.split("_")[0], "id_card": file_name.split("_")[1], "name": "", "vaccine_name": "", "inoculate_date": "", "unit": "", "scan_file_url": file_path } for text in text_list: if "姓名" in text: extract_data["name"] = text.split("姓名")[-1].strip("：: ") elif "疫苗名称" in text or "疫苗" in text: extract_data["vaccine_name"] = text.split("疫苗")[-1].strip("：: 名称") elif "接种日期" in text: extract_data["inoculate_date"] = text.split("接种日期")[-1].strip("：: ").replace(".", "-") elif "接种单位" in text: extract_data["unit"] = text.split("接种单位")[-1].strip("：: ") 校验身份证号合法性，不合法则标记待人工复核 if not ID_CARD_PATTERN.match(extract_data["id_card"]): extract_data["name"] = "待复核_" + extract_data["name"] 写入结果文件 with open(os.path.join(OUTPUT_PATH, file_name.replace(".jpg", ".txt")), "w", encoding="utf-8") as f: for k, v in extract_data.items(): f.write(f"{k}:{v}\n") ```

运行完成后，所有提取结果会存入./extract_result/目录，平均识别准确率可达96%以上，仅需人工复核标记为“待复核”的文件即可，大幅降低人工录入成本。

三、档案数据库搭建与批量入库

3.1 数据库表结构创建

登录MySQL数据库，执行以下建表语句，可直接复制运行：

```sql CREATE DATABASE IF NOT EXISTS inoculation_archive DEFAULT CHARACTER SET utf8mb4 COLLATE utf8mb4_general_ci; USE inoculation_archive; CREATE TABLE IF NOT EXISTS archive_info ( id INT UNSIGNED NOT NULL AUTO_INCREMENT COMMENT '主键ID', area_code CHAR(6) NOT NULL COMMENT '接种地区编码', id_card CHAR(18) NOT NULL COMMENT '接种人身份证号', name VARCHAR(20) NOT NULL COMMENT '接种人姓名', vaccine_name VARCHAR(50) NOT NULL COMMENT '疫苗名称', inoculate_date DATE NOT NULL COMMENT '接种日期', unit VARCHAR(100) NOT NULL COMMENT '接种单位', scan_file_url VARCHAR(200) NOT NULL COMMENT '扫描件存储地址', create_time DATETIME DEFAULT CURRENT_TIMESTAMP COMMENT '入库时间', update_time DATETIME DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP COMMENT '更新时间', PRIMARY KEY (id), UNIQUE KEY uniq_idcard_vaccine (id_card, vaccine_name, inoculate_date) COMMENT '避免重复录入', KEY idx_idcard (id_card) COMMENT '按身份证号查询加速', KEY idx_inoculate_date (inoculate_date) COMMENT '按接种日期查询加速' ) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='预防接种档案主表'; ```

3.2 批量入库操作

新建Python文件import_to_db.py，修改数据库连接信息后直接运行即可批量入库：

```python import os import pymysql import pandas as pd 数据库连接信息，自行修改 DB_CONFIG = { "host": "你的数据库IP", "user": "root", "password": "你的数据库密码", "database": "inoculation_archive", "charset": "utf8mb4" } EXTRACT_PATH = "./extract_result/" conn = pymysql.connect(DB_CONFIG) cursor = conn.cursor() all_data = [] for file_name in os.listdir(EXTRACT_PATH): if not file_name.endswith(".txt"): continue with open(os.path.join(EXTRACT_PATH, file_name), "r", encoding="utf-8") as f: data = {} for line in f.readlines(): k, v = line.strip().split(":", 1) data[k] = v all_data.append(data) df = pd.DataFrame(all_data) 批量写入数据库 df.to_sql("archive_info", conn, if_exists="append", index=False) conn.commit() cursor.close() conn.close() print(f"成功入库{len(all_data)}条数据") ```

四、权限配置与校验验收

4.1 访问权限配置

执行以下SQL命令配置分级权限，避免数据被误改：

• 普通查询用户权限：
  CREATE USER 'query_user'@'%' IDENTIFIED BY '自定义查询密码'; GRANT SELECT ON inoculation_archive. TO 'query_user'@'%'; FLUSH PRIVILEGES;
• 档案管理员权限：
  CREATE USER 'admin_user'@'%' IDENTIFIED BY '自定义管理密码'; GRANT SELECT,INSERT,UPDATE ON inoculation_archive. TO 'admin_user'@'%'; FLUSH PRIVILEGES;

4.2 数据校验验收

按以下规则抽验数据，合格率达到99%以上即可上线使用：

• 随机抽取1%的入库数据，与原始纸质档案核对字段准确性
• 执行查询语句SELECT FROM archive_info WHERE id_card = '测试身份证号'，查询响应时间应低于100ms
• 检查重复数据：执行SELECT id_card,vaccine_name,inoculate_date,COUNT() FROM archive_info GROUP BY id_card,vaccine_name,inoculate_date HAVING COUNT() >1;，返回结果应为空

五、常见问题排查

• OCR识别准确率低：检查扫描分辨率是否达到300DPI，页面是否有明显倾斜、污渍，重新扫描即可解决
• 入库失败：查看报错信息，90%以上为日期格式错误或重复数据，修改对应txt文件的字段内容后重新运行入库脚本即可
• 查询速度慢：确认已创建对应索引，单表100万级数据查询速度可稳定在100ms以内