基于Python搭建HR数字档案馆系统全流程实操

一、环境准备与依赖安装

本系统采用 Python Flask 作为 Web 框架，SQLite 作为数据库，Tesseract OCR 进行档案文字识别。请确保你的操作系统已安装 Python 3.8 或更高版本。

1. 安装 Tesseract OCR 引擎

OCR 是实现档案检索的核心，必须先安装系统级的识别引擎。

Windows 用户：访问 UB Mannheim 的 Tesseract 仓库下载 Windows 安装包：https://github.com/UB-Mannheim/tesseract/wiki。下载最新版安装时，务必勾选 "Additional language data" 中的 Chinese (Simplified) 语言包，并记住安装路径（默认为 C:\Program Files\Tesseract-OCR）。

Linux 用户：执行以下命令安装引擎及中文语言包：

```bash sudo apt-get update sudo apt-get install tesseract-ocr tesseract-ocr-chi-sim ```

2. 配置 Python 依赖库

在项目根目录下创建 requirements.txt，直接复制以下内容。这包含了 Web 服务、图像处理及数据库连接驱动。

```text flask==2.3.3 pytesseract==0.3.10 Pillow==10.0.0 werkzeug==2.3.7 ```

打开终端，切换到项目目录，执行安装命令：

```bash pip install -r requirements.txt ```

二、项目目录结构搭建

为了保持代码清晰，请严格按照以下结构创建文件和文件夹。在终端执行以下命令快速生成骨架：

```bash mkdir hr_archive_system cd hr_archive_system mkdir uploads templates touch app.py init_db.py ```

最终的目录结构应如下所示：

• app.py：后端核心逻辑，包含上传、识别、搜索接口。
• init_db.py：数据库初始化脚本，用于生成数据表。
• uploads/：用于存储上传的原始档案文件。
• templates/：存放 HTML 前端页面。

三、数据库设计与初始化

我们需要一个轻量级的数据库来存储档案元数据和 OCR 识别后的文本内容。SQLite 无需配置服务器，直接以文件形式存储。

打开 init_db.py，填入以下完整代码。该脚本会创建一个名为 archives 的表，包含文件名、上传时间和识别内容。

```python import sqlite3 def init_db(): 连接数据库文件，不存在则自动创建 conn = sqlite3.connect('hr_archive.db') cursor = conn.cursor() 创建档案表 cursor.execute(''' CREATE TABLE IF NOT EXISTS archives ( id INTEGER PRIMARY KEY AUTOINCREMENT, filename TEXT NOT NULL, upload_time TIMESTAMP DEFAULT CURRENT_TIMESTAMP, content TEXT ) ''') conn.commit() conn.close() print("数据库初始化成功，已生成 hr_archive.db 文件。") if __name__ == '__main__': init_db() ```

保存后，在终端运行 python init_db.py。如果看到成功提示，目录下会出现 hr_archive.db 文件。

四、后端核心逻辑开发

这是系统的核心部分，负责处理文件上传、调用 OCR 引擎提取文字以及响应搜索请求。

打开 app.py，写入以下代码。注意：如果你是 Windows 用户，请取消代码中关于 tesseract_cmd 的注释并修改为你的实际安装路径。

```python import os import sqlite3 from flask import Flask, render_template, request, redirect, url_for, send_from_directory from werkzeug.utils import secure_filename from PIL import Image import pytesseract app = Flask(__name__) 配置区域 UPLOAD_FOLDER = 'uploads' ALLOWED_EXTENSIONS = {'png', 'jpg', 'jpeg', 'pdf', 'tif', 'bmp'} app.config['UPLOAD_FOLDER'] = UPLOAD_FOLDER app.config['MAX_CONTENT_LENGTH'] = 16 1024 1024 限制上传大小为 16MB Windows 用户必须配置此路径，Linux 用户可忽略 pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe' 确保上传目录存在 if not os.path.exists(UPLOAD_FOLDER): os.makedirs(UPLOAD_FOLDER) def allowed_file(filename): """检查文件扩展名是否合法""" return '.' in filename and filename.rsplit('.', 1)[1].lower() in ALLOWED_EXTENSIONS def perform_ocr(file_path): """执行 OCR 识别，支持中英文""" try: 使用 PIL 打开图片文件 image = Image.open(file_path) lang='chi_sim+eng' 表示同时识别简体中文和英文 text = pytesseract.image_to_string(image, lang='chi_sim+eng') return text except Exception as e: print(f"OCR Error: {e}") return "识别失败" @app.route('/') def index(): """首页：展示档案列表及搜索结果""" query = request.args.get('q', '') conn = sqlite3.connect('hr_archive.db') cursor = conn.cursor() if query: 执行模糊搜索，匹配文件名或识别内容 cursor.execute( "SELECT FROM archives WHERE content LIKE ? OR filename LIKE ? ORDER BY upload_time DESC", ('%' + query + '%', '%' + query + '%') ) else: 无搜索词时，显示所有记录 cursor.execute("SELECT FROM archives ORDER BY upload_time DESC") archives = cursor.fetchall() conn.close() return render_template('index.html', archives=archives, query=query) @app.route('/upload', methods=['POST']) def upload_file(): """处理文件上传""" if 'file' not in request.files: return redirect(request.url) file = request.files['file'] if file.filename == '': return redirect(request.url) if file and allowed_file(file.filename): 1. 安全处理文件名并保存 filename = secure_filename(file.filename) file_path = os.path.join(app.config['UPLOAD_FOLDER'], filename) file.save(file_path) 2. 执行 OCR 识别 print(f"正在识别文件: {filename}...") ocr_content = perform_ocr(file_path) 3. 存入数据库 conn = sqlite3.connect('hr_archive.db') cursor = conn.cursor() cursor.execute("INSERT INTO archives (filename, content) VALUES (?, ?)", (filename, ocr_content)) conn.commit() conn.close() print(f"文件 {filename} 处理完成。") return redirect(url_for('index')) @app.route('/uploads/') def uploaded_file(filename): """回显已上传的文件""" return send_from_directory(app.config['UPLOAD_FOLDER'], filename) if __name__ == '__main__': 启动服务，监听所有 IP，端口 5000 app.run(debug=True, host='0.0.0.0', port=5000) ```

五、前端交互页面开发

在 templates 文件夹下创建 index.html。这个页面集成了文件上传表单和搜索框，并使用表格展示档案列表。

```html

HR 数字档案馆系统

上传档案

搜索

档案列表 ({{ archives|length }})

{% for archive in archives %} {% else %} {% endfor %}

ID	文件名	上传时间	识别内容摘要	操作
{{ archive[0] }}	{{ archive[1] }}	{{ archive[2] }}	{% if archive[3] %} {{ archive[3] }} {% else %} (无文本内容) {% endif %}	查看原件
暂无档案数据，请先上传。

```

六、系统运行与实操测试

代码编写完毕，现在启动系统并进行实际操作验证。

1. 启动服务

确保终端位于项目根目录，执行以下命令：

```bash python app.py ```

当终端显示 Running on http://0.0.0.0:5000 时，说明服务已成功启动。

2. 上传测试

打开浏览器访问 http://127.0.0.1:5000。

1. 准备一张图片（例如员工身份证扫描件、劳动合同 PDF 或 JPG 图片）。
2. 点击页面上的“选择文件”，选中该图片。
3. 点击“上传档案”按钮。
4. 观察终端：你会看到 "正在识别文件..." 的日志，稍等片刻（取决于图片大小和电脑性能）。
5. 观察页面：页面刷新后，下方列表会出现新上传的文件，且“识别内容摘要”栏会显示从图片中提取出的文字。

3. 检索测试

在页面右上角的搜索框中，输入刚才上传图片中包含的任意关键词（例如员工姓名“张三”或词语“劳动合同”）。

点击“搜索”，列表将只展示包含该关键词的档案记录。这证明了 OCR 提取的文字已成功存入数据库并支持检索。

七、常见故障排查

在实操过程中，可能会遇到以下两个典型问题，请按方案解决：

1. 报错：tesseract is not installed or your path is incorrect

这是最常见的路径配置问题。请检查 app.py 中的 pytesseract.pytesseract.tesseract_cmd 是否已取消注释，且路径指向你电脑上 tesseract.exe 的绝对位置。Windows 路径中通常包含 Program Files，建议在字符串前加 r 以避免转义问题。

2. 识别内容为空或乱码

如果识别结果全是乱码或为空，通常是语言包缺失。请确保 Tesseract 的 tessdata 文件夹中存在 chi_sim.traineddata 文件。如果是 Linux，请重新运行安装命令；如果是 Windows，请手动下载该文件放入 Tesseract 安装目录下的 tessdata 文件夹中。