一、环境准备与依赖安装

本案例将基于Python环境，利用Flask框架搭建一个具备OCR识别功能的轻量级电子档案管理系统。系统支持图片上传、自动文字识别、元数据存储及全文检索。所有操作均在Linux环境（Ubuntu/CentOS）下验证通过，Windows用户需自行调整Tesseract安装路径。

确保系统中已安装Python 3.8及以上版本。接着，安装OCR核心引擎Tesseract，这是实现图片转文字的关键组件。执行以下命令完成系统依赖安装：

sudo apt-get update
sudo apt-get install tesseract-ocr tesseract-ocr-chi-sim poppler-utils

上述命令中，tesseract-ocr是基础引擎，tesseract-ocr-chi-sim是中文语言包，poppler-utils用于后续处理PDF文件。安装完成后，使用tesseract --version验证是否成功。

随后，创建项目目录并安装Python依赖库。新建一个名为digital_archive的文件夹，进入该目录并创建虚拟环境：

mkdir digital_archive
cd digital_archive
python3 -m venv venv
source venv/bin/activate

在虚拟环境中激活后，安装所需的Python包：

pip install flask pytesseract pillow sqlite3 utils

这里，Flask负责Web服务，pytesseract是Tesseract的Python接口，Pillow用于图像处理，sqlite3作为内置数据库无需额外安装。

二、项目目录结构规划

为了保证代码的可维护性，请严格按照以下结构创建文件和文件夹：

digital_archive/
├── app.py               主程序入口
├── init_db.py           数据库初始化脚本
├── templates/           HTML模板目录
│   ├── index.html       首页及上传界面
│   └── search.html      搜索结果页面
├── static/              静态文件目录
│   └── uploads/         存放上传的档案文件
└── archive.db           自动生成的SQLite数据库文件

执行mkdir -p templates static/uploads命令创建上述目录。

三、数据库设计与初始化

我们需要一个数据库来存储档案的元数据（文件名、上传时间、识别出的文本内容）。创建init_db.py文件，并写入以下完整代码：

import sqlite3
def init_db():
conn = sqlite3.connect('archive.db')
cursor = conn.cursor()
创建档案表，包含ID、文件名、识别文本、上传时间
cursor.execute('''
CREATE TABLE IF NOT EXISTS documents (
id INTEGER PRIMARY KEY AUTOINCREMENT,
filename TEXT NOT NULL,
ocr_text TEXT,
upload_date TIMESTAMP DEFAULT CURRENT_TIMESTAMP
)
''')
conn.commit()
conn.close()
print("数据库初始化完成，数据库文件为 archive.db")
if __name__ == '__main__':
init_db()

保存文件后，在终端执行python init_db.py。如果当前目录下生成了archive.db文件，说明数据库创建成功。

四、核心后端逻辑开发

这是整个系统的核心部分，负责处理文件上传、调用OCR引擎并将结果存入数据库。创建app.py，代码如下：

import os
import sqlite3
from flask import Flask, render_template, request, redirect, url_for, flash
from werkzeug.utils import secure_filename
from PIL import Image
import pytesseract
app = Flask(__name__)
app.secret_key = 'your_secret_key_here'   用于Flash消息
app.config['UPLOAD_FOLDER'] = 'static/uploads'
app.config['ALLOWED_EXTENSIONS'] = {'png', 'jpg', 'jpeg', 'gif', 'pdf', 'tif'}
确保上传目录存在
os.makedirs(app.config['UPLOAD_FOLDER'], exist_ok=True)
def allowed_file(filename):
return '.' in filename and \
filename.rsplit('.', 1)[1].lower() in app.config['ALLOWED_EXTENSIONS']
def get_db_connection():
conn = sqlite3.connect('archive.db')
conn.row_factory = sqlite3.Row
return conn
@app.route('/')
def index():
conn = get_db_connection()
获取最近上传的10条档案记录
docs = conn.execute('SELECT  FROM documents ORDER BY upload_date DESC LIMIT 10').fetchall()
conn.close()
return render_template('index.html', docs=docs)
@app.route('/upload', methods=['POST'])
def upload_file():
if 'file' not in request.files:
flash('没有文件部分')
return redirect(request.url)
file = request.files['file']
if file.filename == '':
'':
flash('未选择文件')
return redirect(request.url)
if file and allowed_file(file.filename):
filename = secure_filename(file.filename)
filepath = os.path.join(app.config['UPLOAD_FOLDER'], filename)
file.save(filepath)
执行OCR识别
try:
指定中文语言包，如果图片是英文，改为 'eng'
text = pytesseract.image_to_string(Image.open(filepath), lang='chi_sim')
except Exception as e:
flash(f'OCR识别失败: {str(e)}')
text = ""
存入数据库
conn = get_db_connection()
conn.execute('INSERT INTO documents (filename, ocr_text) VALUES (?, ?)',
(filename, text))
conn.commit()
conn.close()
flash('档案上传并识别成功！')
return redirect(url_for('index'))
else:
flash('不支持的文件格式')
return redirect(url_for('index'))
@app.route('/search')
def search():
query = request.args.get('q', '')
results = []
if query:
conn = get_db_connection()
使用LIKE进行模糊查询
results = conn.execute('SELECT  FROM documents WHERE ocr_text LIKE ? OR filename LIKE ?',
('%' + query + '%', '%' + query + '%')).fetchall()
conn.close()
return render_template('search.html', query=query, results=results)
if __name__ == '__main__':
app.run(debug=True, host='0.0.0.0', port=5000)

注意：代码中lang='chi_sim'指定了使用简体中文识别库。如果识别速度慢或报错，请检查第一步中Tesseract语言包是否正确安装。

五、前端交互页面实现

我们需要两个HTML页面来支撑用户交互。首先是首页templates/index.html，包含上传表单和最近记录列表：

电子档案管理系统

上传新档案
{% with messages = get_flashed_messages() %}
{% if messages %}
{{ messages[0] }}
{% endif %}
{% endwith %}


上传并识别


最近上传档案

{% for doc in docs %}

{% endfor %}


ID
文件名
识别内容预览
上传时间

{{ doc.id }}
{{ doc.filename }}
{{ doc.ocr_text[:50] }}...
{{ doc.upload_date }}

前往搜索页面

接着是搜索页面templates/search.html，用于展示检索结果：

档案全文检索



搜索


{% if query %}
找到 {{ results|length }} 条关于 "{{ query }}" 的结果：
{% for doc in results %}

{{ doc.filename }}
上传时间: {{ doc.upload_date }}
{{ doc.ocr_text }}

{% endfor %}
{% endif %}
返回首页

六、系统运行与功能验证

所有代码准备就绪后，启动Flask开发服务器：

python app.py

终端显示Running on http://0.0.0.0:5000即表示启动成功。此时，打开浏览器访问http://localhost:5000（如果是远程服务器，请替换为对应IP）。

验证步骤一：上传与OCR
准备一张包含文字的图片（如扫描件或截图）。在首页点击“选择文件”，上传该图片。系统会自动跳转，如果看到提示“档案上传并识别成功！”，且下方列表中出现了该文件名和部分文字预览，说明OCR功能正常。

验证步骤二：全文检索
点击页面底部的“前往搜索页面”。在搜索框输入图片中包含的一个特定词汇（例如“合同”或“发票”）。点击搜索，如果系统返回了对应的档案条目，并展示了完整的识别文本，说明检索功能正常。

验证步骤三：数据持久化
停止服务器（Ctrl+C），重新运行python app.py。刷新浏览器页面，确认之前上传的档案记录依然存在，这证明SQLite数据库读写无误。

至此，一个具备核心功能的电子档案管理系统已完全落地。该系统虽然轻量，但完整覆盖了电子档案管理的生命周期：采集（上传）、处理（OCR）、存储（SQLite）、利用（检索）。读者可基于此框架，通过添加用户认证模块或对接对象存储（如MinIO）进一步扩展为生产级应用。