纪念馆档案整理：基于Python与OCR的数字化全流程实操

一、环境搭建与依赖安装

在开始纪念馆档案数字化之前，必须先构建一个稳定且支持中文识别的Python环境。本指南基于Windows 10/11系统编写，Mac或Linux用户可根据路径差异调整命令。

1. 安装Python环境

确保系统已安装Python 3.8或更高版本。如果未安装，请前往Python官网下载安装包。安装时务必勾选"Add Python to PATH"选项，这将避免后续手动配置环境变量的繁琐步骤。

2. 安装Tesseract-OCR引擎

Tesseract是OCR识别的核心引擎。对于中文档案，我们需要安装引擎并配置中文语言包。

下载与安装：

直接访问Tesseract的Windows安装包托管地址：https://github.com/UB-Mannheim/tesseract/wiki

下载最新的tesseract-ocr-w64-setup-5.x.x.exe（64位版本）。安装过程中，在"Choose Components"界面，务必展开"Additional language data"，勾选Chinese (Simplified)和Chinese (Traditional)，否则无法识别中文内容。

配置环境变量：

安装完成后，将Tesseract的安装路径（默认为C:\Program Files\Tesseract-OCR）添加到系统环境变量的Path中。打开CMD命令行，输入tesseract --version，若返回版本号则说明配置成功。

3. 安装Python依赖库

在项目根目录下打开终端，执行以下命令安装必要的图像处理与OCR调用库：

```bash pip install pytesseract opencv-python pillow pandas ```

• pytesseract：Python的Tesseract封装包，用于调用OCR引擎。
• opencv-python：用于图像的预处理（降噪、二值化），能显著提升识别率。
• pillow：用于图像文件的读取与格式转换。
• pandas：用于将识别后的结构化数据导出为Excel或CSV表格。

二、图像预处理算法实现

纪念馆档案往往年代久远，纸张泛黄、字迹模糊或带有噪点。直接进行OCR识别准确率极低，必须通过OpenCV进行预处理。我们将编写一个函数，实现灰度化、去噪和二值化。

在项目目录下创建process.py，输入以下代码：

```python import cv2 import numpy as np def preprocess_image(image_path): 读取图像 image = cv2.imread(image_path) if image is None: print(f"错误：无法读取图像 {image_path}") return None 转换为灰度图，减少计算量并保留纹理信息 gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) 高斯模糊去噪 (5, 5)是卷积核大小，0是标准差自动计算 这一步能有效去除纸张上的灰尘或霉点干扰 blur = cv2.GaussianBlur(gray, (5, 5), 0) 自适应阈值二值化 ADAPTIVE_THRESH_GAUSSIAN_C：使用高斯加权邻域计算阈值 255: 阈值最大值 11: 邻域块大小，必须是奇数，数字越大对局部对比度要求越低 2: 常数，从均值或加权均值中减去的数值，用于微调亮度 thresh = cv2.adaptiveThreshold(blur, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2) return thresh ```

参数详解：上述代码中的cv2.adaptiveThreshold是关键。普通的全局阈值处理在光照不均（如扫描阴影）时会失效，自适应阈值能根据局部像素亮度动态调整，非常适合处理老旧档案。

三、OCR识别核心逻辑

接下来编写识别函数，指定Tesseract的配置参数。针对不同类型的档案（如版式整齐的表格或连续的大段文本），需要调整页面分割模式（PSM）。

继续在process.py中添加：

```python import pytesseract import os 指定tesseract.exe的路径，如果未配置环境变量则必须在此处指定绝对路径 pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe' def ocr_recognition(image, lang='chi_sim'): 配置识别参数 --psm 6: 假设图像为统一的文本块（单行文本块） --psm 3: 默认的全自动页面分析（适合多行混排） --oem 3: 使用默认的LSTM神经网络引擎 custom_config = r'--oem 3 --psm 6' try: image_to_string返回识别出的文本 text = pytesseract.image_to_string(image, lang=lang, config=custom_config) return text.strip() except Exception as e: print(f"OCR识别出错: {e}") return "" ```

注意：如果档案包含繁体中文，请将lang参数改为'chi_tra'；如果是中英混合，可使用'chi_sim+eng'。

四、批量处理与数据导出

实际工作中，档案是成百上千张图片。我们需要一个主循环来遍历文件夹，提取文件名（作为档案编号）、识别内容，并保存结果。

在process.py中添加主逻辑部分：

```python import pandas as pd from pathlib import Path def batch_process(input_folder, output_csv): results = [] 支持的图片格式 valid_extensions = ['.jpg', '.jpeg', '.png', '.bmp', '.tiff'] 遍历输入文件夹 files = Path(input_folder).glob('') file_count = sum(1 for f in files if f.suffix.lower() in valid_extensions) print(f"发现 {file_count} 个待处理档案文件...") 重新遍历进行处理 for idx, file_path in enumerate(Path(input_folder).glob('')): if file_path.suffix.lower() not in valid_extensions: continue print(f"正在处理 [{idx+1}/{file_count}]: {file_path.name}") 1. 预处理 processed_img = preprocess_image(str(file_path)) if processed_img is None: continue 2. 识别 这里假设档案主要是简体中文，可根据实际情况修改 content = ocr_recognition(processed_img, lang='chi_sim+eng') 3. 数据清洗（去除常见的乱码符号或多余空行） content = content.replace('\n', ' ').replace('\x0c', '') 4. 收集结果 results.append({ '档案编号': file_path.stem, 文件名不含后缀 '识别内容': content, '文件路径': str(file_path) }) 5. 导出Excel/CSV if results: df = pd.DataFrame(results) encoding='utf-8-sig' 确保Excel打开中文不乱码 df.to_csv(output_csv, index=False, encoding='utf-8-sig') print(f"处理完成！结果已保存至: {output_csv}") else: print("未处理任何有效文件。") if __name__ == "__main__": 定义输入输出目录 input_dir = './archives' 请在此目录下放入待处理图片 output_file = './archives_result.csv' 检查输入目录是否存在，不存在则创建 if not os.path.exists(input_dir): os.makedirs(input_dir) print(f"已自动创建输入目录: {input_dir}，请将档案图片放入其中后重新运行。") else: batch_process(input_dir, output_file) ```

五、常见错误排查与优化

在实操过程中，你可能会遇到以下问题，请按对应方案解决：

1. 报错：tesseract is not installed or it's not in your PATH

这说明系统找不到Tesseract程序。请检查环境变量是否正确配置，或者在代码中取消注释并修改pytesseract.pytesseract.tesseract_cmd这一行，填入你电脑上tesseract.exe的绝对路径。

2. 识别全是乱码或空白

这通常是因为图片质量或分辨率过低。扫描档案时，建议分辨率至少设置为300 DPI。如果是拍照的档案，请确保光线充足且文字平面与相机平行。尝试调整preprocess_image函数中的二值化参数（如将11改为13或9）来适应不同的噪点情况。

3. 表格数据错位

如果档案是表格形式，PSM模式需要调整。将custom_config中的--psm 6改为--psm 4（假设为单列文本）或--psm 3（全自动）。对于极其复杂的表格，Tesseract效果可能不佳，建议先使用OpenCV检测表格线，分割单元格后再分别送入OCR识别。

4. 内存溢出

如果单次处理图片数量过大（如超过5000张高分辨率图），Python可能会占用过多内存。建议在batch_process循环中，每处理100张图片就进行一次df.to_csv追加写入，并清空results列表，释放内存。

六、实操总结

通过上述步骤，我们构建了一个完整的纪念馆档案数字化流水线。首先配置Tesseract引擎和中文包，其次利用OpenCV进行针对性的图像去噪和二值化，接着通过Pytesseract调用OCR引擎提取文本，最后使用Pandas批量导出结构化数据。这套方案无需任何付费API接口，完全本地化运行，不仅保障了档案数据的隐私安全，也能通过调整预处理参数适应不同年代、不同磨损程度的纸质档案。将代码保存为process.py，在同级目录创建archives文件夹并放入图片，直接运行即可生成检索表。