Python自动化降低档案制度执行成本实操方案

一、环境搭建与依赖安装

档案管理的高成本主要源于人工分类、录入及核对。通过Python自动化技术，可实现文档的自动OCR识别、元数据提取及规范化归档。首先需要在本地搭建Python 3.8及以上版本的运行环境。

打开终端或命令行工具，执行以下命令安装核心依赖库。我们选用PaddleOCR作为识别引擎，因为它对中文支持更好且无需复杂配置；同时安装pdf2image用于处理PDF文件。

```bash 安装PaddlePaddle (CPU版本，足够满足日常文档处理需求) pip install paddlepaddle 安装OCR及图像处理依赖 pip install "paddleocr>=2.0.1" Pillow pdf2image 注意：pdf2image依赖系统安装poppler-utils Windows用户需下载poppler并配置PATH，或使用以下命令自动处理部分依赖 Linux/Mac用户通常直接安装即可：sudo apt-get install poppler-utils ```

二、标准化目录结构设计

为了确保自动化流程的稳定性，必须建立严格的目录结构。请在D盘根目录下创建名为AutoArchive的项目文件夹，并按照以下结构创建子目录。

• D:\AutoArchive\input：存放待处理的原始档案文件（支持PDF、JPG、PNG）。
• D:\AutoArchive\output：存放处理后的结构化档案及提取的元数据。
• D:\AutoArchive\logs：存放运行日志，便于排查卡壳的文件。

三、核心代码实现：OCR识别与文本提取

创建名为ocr_engine.py的文件。该模块负责将图片或PDF转换为可检索的文本，这是降低人工录入成本的关键步骤。代码中包含了针对PDF文件的自动转换逻辑。

```python from paddleocr import PaddleOCR from pdf2image import convert_from_path import os 初始化OCR模型，使用方向分类器以识别倒置或旋转的文档 ocr = PaddleOCR(use_angle_cls=True, lang="ch", show_log=False) def extract_text_from_file(file_path): """ 从文件路径中提取所有文本 支持格式: pdf, jpg, png, jpeg """ full_text = [] try: if file_path.lower().endswith('.pdf'): 将PDF转换为图片列表，dpi=300保证识别精度 pages = convert_from_path(file_path, dpi=300) for page in pages: PaddleOCR需要图片路径或numpy数组，这里转为numpy数组传入 result = ocr.ocr(page, cls=True) if result and result[0]: for line in result[0]: full_text.append(line[1][0]) else: 处理普通图片文件 result = ocr.ocr(file_path, cls=True) if result and result[0]: for line in result[0]: full_text.append(line[1][0]) return "\n".join(full_text) except Exception as e: print(f"Error processing {file_path}: {str(e)}") return None ```

四、核心代码实现：自动分类与归档逻辑

创建名为auto_archive.py的主程序。此部分定义了档案制度的核心规则：如何根据文件内容自动生成档案号、划分保管期限及存储路径。这里使用关键词匹配规则模拟档案分类逻辑。

```python import os import shutil import json import time from datetime import datetime from ocr_engine import extract_text_from_file 配置路径 INPUT_DIR = r"D:\AutoArchive\input" OUTPUT_DIR = r"D:\AutoArchive\output" LOG_DIR = r"D:\AutoArchive\logs" 档案分类规则定义 (关键词 -> 分类信息) ARCHIVE_RULES = { "合同": {"category": "合同协议", "retention": "永久"}, "发票": {"category": "财务凭证", "retention": "30年"}, "人事": {"category": "人事档案", "retention": "永久"}, "验收": {"category": "项目建设", "retention": "10年"}, "制度": {"category": "红头文件", "retention": "永久"} } def generate_archive_id(category): """生成基于日期和分类的档案号""" date_str = datetime.now().strftime("%Y%m%d") 简单的计数器逻辑，实际生产中建议使用数据库或Redis自增 timestamp = int(time.time() 1000) return f"{category[:2].upper()}-{date_str}-{timestamp % 10000:04d}" def process_single_file(filename): file_path = os.path.join(INPUT_DIR, filename) print(f"正在处理: {filename}...") 1. 提取文本 content_text = extract_text_from_file(file_path) if not content_text: move_to_error(file_path, "OCR识别失败或内容为空") return 2. 匹配分类规则 matched_rule = None for keyword, rule in ARCHIVE_RULES.items(): if keyword in content_text: matched_rule = rule break 默认分类 if not matched_rule: matched_rule = {"category": "其他文书", "retention": "10年"} 3. 生成元数据 archive_id = generate_archive_id(matched_rule["category"]) file_ext = os.path.splitext(filename)[1] new_filename = f"{archive_id}{file_ext}" 4. 构建目标目录结构: output/分类/保管期限/ target_dir = os.path.join(OUTPUT_DIR, matched_rule["category"], matched_rule["retention"]) if not os.path.exists(target_dir): os.makedirs(target_dir) target_path = os.path.join(target_dir, new_filename) 5. 移动文件并写入元数据JSON shutil.move(file_path, target_path) metadata = { "original_name": filename, "archive_id": archive_id, "category": matched_rule["category"], "retention": matched_rule["retention"], "file_path": target_path, "processed_time": datetime.now().isoformat(), "content_preview": content_text[:100] 保存前100字用于检索 } 保存元数据 json_path = os.path.join(target_dir, f"{archive_id}_meta.json") with open(json_path, 'w', encoding='utf-8') as f: json.dump(metadata, f, ensure_ascii=False, indent=4) print(f"归档完成: {new_filename} -> {target_dir}") def move_to_error(src_path, reason): error_dir = os.path.join(LOG_DIR, "errors") if not os.path.exists(error_dir): os.makedirs(error_dir) shutil.move(src_path, os.path.join(error_dir, os.path.basename(src_path))) with open(os.path.join(error_dir, "error_log.txt"), 'a', encoding='utf-8') as f: f.write(f"{os.path.basename(src_path)}: {reason}\n") if __name__ == "__main__": 确保目录存在 os.makedirs(INPUT_DIR, exist_ok=True) os.makedirs(OUTPUT_DIR, exist_ok=True) os.makedirs(LOG_DIR, exist_ok=True) files = [f for f in os.listdir(INPUT_DIR) if not f.startswith('.')] if not files: print("input目录为空，请放入待处理文件。") else: for file in files: process_single_file(file) print("所有文件处理完毕。") ```

五、执行与验证

将所有代码文件保存至D:\AutoArchive目录下。将几份包含“合同”、“发票”等字样的PDF或图片文件放入input文件夹。在命令行中进入项目目录并执行脚本：

```bash cd D:\AutoArchive python auto_archive.py ```

执行完毕后，检查output文件夹。你将看到文件已自动按照“分类/保管期限”的层级结构存储，且每个文件旁边生成了一个同名的_meta.json文件。该JSON文件包含了系统自动提取的档案号、原始文件名及内容预览，可直接导入数据库系统，实现档案制度执行的零人工成本落地。