手把手教你用Python开发档案数字化著录软件

一、环境准备与依赖安装

在开始编写代码之前，必须先配置好开发环境。我们需要Python作为运行基础，Tesseract-OCR用于文字识别，以及几个关键的Python库来处理图像和Excel数据。

1. 安装Python环境

前往Python官网下载最新稳定版（推荐3.9及以上版本）。下载地址：https://www.python.org/downloads/

安装时，务必勾选界面底部的"Add Python to PATH"选项，这能避免后续在命令行中无法识别Python命令的问题。

2. 安装Tesseract-OCR引擎

这是实现档案自动著录的核心组件。下载Windows版本的安装包，推荐使用5.3.0版本。

下载地址：https://github.com/UB-Mannheim/tesseract/wiki

安装过程中，路径尽量保持简单，例如：C:\Program Files\Tesseract-OCR。请记住这个路径，后续代码中需要调用。

3. 安装Python依赖库

打开命令行（Win+R输入cmd），依次执行以下命令安装所需库：

• pip install pandas：用于处理和导出Excel著录数据。
• pip install openpyxl：pandas处理xlsx文件的依赖引擎。
• pip install Pillow：用于图像的加载、显示和处理。
• pip install pytesseract：Python与Tesseract-OCR的桥梁接口。

二、核心代码实现

我们将创建一个单文件应用，包含图像预览、OCR自动识别、元数据录入和Excel导出功能。新建一个文件名为archive_tool.py，并将以下代码完整复制进去。

注意：代码第7行需要根据你实际安装Tesseract的路径进行修改。

```python import tkinter as tk from tkinter import filedialog, messagebox from PIL import Image, ImageTk import pytesseract import pandas as pd import os from datetime import datetime 【关键配置】请修改为你电脑上Tesseract的实际安装路径 pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe' class ArchiveApp: def __init__(self, root): self.root = root self.root.title("档案数字化著录工具 v1.0") self.root.geometry("800x600") self.current_image_path = None self.excel_path = "档案著录数据.xlsx" self.create_widgets() def create_widgets(self): 顶部：图片选择区 top_frame = tk.Frame(self.root, pady=10) top_frame.pack(side=tk.TOP, fill=tk.X) tk.Button(top_frame, text="选择档案图片", command=self.load_image, width=15, bg="e1e1e1").pack(side=tk.LEFT, padx=10) self.lbl_image_info = tk.Label(top_frame, text="未选择图片", fg="gray") self.lbl_image_info.pack(side=tk.LEFT) 中部：左侧预览，右侧录入 middle_frame = tk.Frame(self.root) middle_frame.pack(expand=True, fill=tk.BOTH, padx=10, pady=10) 左侧图片预览 self.preview_label = tk.Label(middle_frame, text="图片预览区", bg="f0f0f0", width=40, height=20) self.preview_label.pack(side=tk.LEFT, fill=tk.BOTH, expand=True) 右侧数据录入区 input_frame = tk.Frame(middle_frame, padx=10) input_frame.pack(side=tk.RIGHT, fill=tk.Y) tk.Label(input_frame, text="档号：").grid(row=0, column=0, sticky="e", pady=5) self.entry_id = tk.Entry(input_frame, width=30) self.entry_id.grid(row=0, column=1, pady=5) tk.Label(input_frame, text="题名：").grid(row=1, column=0, sticky="e", pady=5) self.entry_title = tk.Entry(input_frame, width=30) self.entry_title.grid(row=1, column=1, pady=5) OCR识别按钮 tk.Button(input_frame, text="OCR自动提取题名", command=self.ocr_extract, bg="d9ead3").grid(row=2, column=0, columnspan=2, pady=10, sticky="we") tk.Label(input_frame, text="责任者：").grid(row=3, column=0, sticky="e", pady=5) self.entry_author = tk.Entry(input_frame, width=30) self.entry_author.grid(row=3, column=1, pady=5) tk.Label(input_frame, text="日期：").grid(row=4, column=0, sticky="e", pady=5) self.entry_date = tk.Entry(input_frame, width=30) self.entry_date.insert(0, datetime.now().strftime("%Y-%m-%d")) self.entry_date.grid(row=4, column=1, pady=5) tk.Label(input_frame, text="页数：").grid(row=5, column=0, sticky="e", pady=5) self.entry_pages = tk.Entry(input_frame, width=30) self.entry_pages.insert(0, "1") self.entry_pages.grid(row=5, column=1, pady=5) 底部：操作区 bottom_frame = tk.Frame(self.root, pady=20) bottom_frame.pack(side=tk.BOTTOM, fill=tk.X) tk.Button(bottom_frame, text="保存到Excel", command=self.save_data, width=20, height=2, bg="cfe2f3", font=("Arial", 10, "bold")).pack() def load_image(self): file_path = filedialog.askopenfilename(filetypes=[("Image Files", ".jpg;.jpeg;.png;.bmp")]) if file_path: self.current_image_path = file_path self.lbl_image_info.config(text=os.path.basename(file_path)) 显示缩略图 try: load = Image.open(file_path) load.thumbnail((400, 500), Image.Resampling.LANCZOS) ) render = ImageTk.PhotoImage(load) self.preview_label.config(image=render) self.preview_label.image = render except Exception as e: messagebox.showerror("错误", f"图片加载失败: {e}") def ocr_extract(self): if not self.current_image_path: messagebox.showwarning("提示", "请先选择图片") return try: 简单的OCR配置，识别中文+英文 text = pytesseract.image_to_string(Image.open(self.current_image_path), lang='chi_sim+eng') 提取前50个字符作为题名预填，并去除换行符 clean_text = text.replace('\n', ' ').strip()[:50] self.entry_title.delete(0, tk.END) self.entry_title.insert(0, clean_text) messagebox.showinfo("成功", "题名已自动提取，请人工核对修正。") except Exception as e: messagebox.showerror("错误", f"OCR识别失败，请检查Tesseract路径配置: {e}") def save_data(self): data = { "档号": [self.entry_id.get()], "题名": [self.entry_title.get()], "责任者": [self.entry_author.get()], "日期": [self.entry_date.get()], "页数": [self.entry_pages.get()], "关联图片路径": [self.current_image_path if self.current_image_path else ""] } df_new = pd.DataFrame(data) 检查文件是否存在，决定是新建还是追加 if os.path.exists(self.excel_path): try: df_old = pd.read_excel(self.excel_path) df_final = pd.concat([df_old, df_new], ignore_index=True) except: df_final = df_new else: df_final = df_new try: df_final.to_excel(self.excel_path, index=False) messagebox.showinfo("成功", f"数据已保存至 {os.path.abspath(self.excel_path)}") 清空输入框以便下一条录入 self.entry_id.delete(0, tk.END) self.entry_title.delete(0, tk.END) self.entry_author.delete(0, tk.END) self.preview_label.config(image="") except Exception as e: messagebox.showerror("错误", f"保存Excel失败: {e}") if __name__ == "__main__": root = tk.Tk() app = ArchiveApp(root) root.mainloop() ```

三、功能实操详解

代码保存后，直接双击运行或在命令行输入python archive_tool.py即可启动软件。以下是标准化的著录操作流程：

1. 加载并预览档案图像

点击左上角的“选择档案图片”按钮，选中你需要著录的扫描件（支持JPG、PNG等格式）。软件会自动在左侧窗口显示缩略图，确认这是你需要处理的档案。

2. 自动OCR提取题名

这是提升效率的核心步骤。在右侧录入区，点击“OCR自动提取题名”绿色按钮。软件会调用后台的Tesseract引擎，读取图片中的文字。

实操注意：OCR提取的文字通常包含噪点或换行符，代码已自动去除换行符并截取前50字。你需要人工核对“题名”输入框，删除多余的乱码，修正错别字，确保符合档案著录规范。

3. 补充元数据信息

手动录入或修改以下字段：

• 档号：这是档案的唯一标识，必须准确输入，不可重复。
• 责任者：输入文件的发文单位或个人。
• 日期：默认为当天，可根据档案实际形成日期修改。
• 页数：默认为1，若该图片包含多页，请手动修改。

4. 数据持久化存储

点击底部的“保存到Excel”蓝色按钮。软件会自动在当前目录下生成或更新名为“档案著录数据.xlsx”的文件。

软件逻辑设计为追加模式：每次点击保存，新的一行数据会被添加到Excel表格末尾，而不会覆盖之前的数据。保存成功后，输入框会自动清空，你可以直接开始下一份档案的著录。

四、打包成独立EXE执行文件

为了方便在没有安装Python环境的电脑上使用，我们需要将Python脚本打包成EXE文件。

1. 安装PyInstaller

在命令行执行：pip install pyinstaller

2. 执行打包命令

在archive_tool.py文件所在的目录下，打开命令行，执行以下命令：

pyinstaller -F -w archive_tool.py

参数解释：

• -F：打包成单个EXE文件，方便分发。
• -w：运行时不显示黑色的命令行窗口，使界面更专业。

3. 处理依赖文件（重要）

打包完成后，在生成的dist文件夹中找到archive_tool.exe。此时直接运行可能会报错，提示找不到Tesseract。

你需要将Tesseract安装目录下的tessdata文件夹（包含语言训练数据）和tesseract.exe复制出来，放在与archive_tool.exe相同的目录下，或者确保目标电脑已安装Tesseract环境。

至此，一个完全可用的、具备OCR功能的档案数字化著录软件就开发完成了。你可以直接将这个EXE文件分发给同事使用。