政府档案数字化收集系统搭建实操全流程解析

一、环境准备与核心组件安装

在构建政府档案数字化收集系统前，必须先搭建基础运行环境。本方案基于Python 3.9和Tesseract OCR引擎，确保系统具备高精度的文字识别能力。

1.1 安装Python环境

请确保系统已安装Python 3.9或更高版本。若未安装，请直接访问Python官网下载Windows installer或使用Linux包管理器安装。

1.2 安装Tesseract OCR引擎

OCR是实现档案数字化的核心，用于将扫描件或图片转换为可检索文本。

Windows系统：下载Tesseract-OCR-Win64安装包，安装时务必勾选“Additional language data”中的Chinese (Simplified)语言包，默认安装路径建议保持为C:\Program Files\Tesseract-OCR。

Linux系统（Ubuntu/Debian）：执行以下命令：

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

1.3 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Flask框架及图像处理库：

```bash pip install flask pytesseract pillow werkzeug ```

二、项目目录结构规划

为了保持代码逻辑清晰，建议严格按照以下目录结构创建文件和文件夹：

```text gov_archive_system/ ├── app.py 核心业务逻辑与路由 ├── templates/ 前端模板目录 │ └── index.html 档案上传页面 ├── static/ 静态资源目录 │ └── uploads/ 档案文件存储目录 └── archive.db SQLite数据库文件（自动生成） ```

三、后端核心逻辑开发

创建app.py文件，编写完整的后端处理代码。该代码包含数据库初始化、文件上传校验、OCR识别及元数据存储功能。

```python import os import sqlite3 from flask import Flask, request, render_template, redirect, url_for, flash from werkzeug.utils import secure_filename from PIL import Image import pytesseract app = Flask(__name__) app.secret_key = 'gov_archive_secret_key_2024' app.config['UPLOAD_FOLDER'] = 'static/uploads' app.config['ALLOWED_EXTENSIONS'] = {'png', 'jpg', 'jpeg', 'pdf', 'tif', 'bmp'} Windows系统需指定tesseract路径，Linux系统可注释掉 pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe' 确保上传目录存在 os.makedirs(app.config['UPLOAD_FOLDER'], exist_ok=True) def init_db(): """初始化数据库，创建档案表""" conn = sqlite3.connect('archive.db') cursor = conn.cursor() cursor.execute(''' CREATE TABLE IF NOT EXISTS archives ( id INTEGER PRIMARY KEY AUTOINCREMENT, title TEXT NOT NULL, doc_code TEXT UNIQUE NOT NULL, category TEXT NOT NULL, filename TEXT NOT NULL, ocr_content TEXT, upload_time TIMESTAMP DEFAULT CURRENT_TIMESTAMP ) ''') conn.commit() conn.close() def allowed_file(filename): return '.' in filename and filename.rsplit('.', 1)[1].lower() in app.config['ALLOWED_EXTENSIONS'] @app.route('/') def index(): return render_template('index.html') @app.route('/upload', methods=['POST']) def upload_file(): if 'file' not in request.files: flash('未未选择文件') return redirect(url_for('index')) file = request.files['file'] title = request.form.get('title') doc_code = request.form.get('doc_code') category = request.form.get('category') if file.filename == '': flash('文件名为空') return redirect(url_for('index')) 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: 使用中文简体和英文混合识别 ocr_text = pytesseract.image_to_string(Image.open(filepath), lang='chi_sim+eng') except Exception as e: ocr_text = f"OCR识别失败: {str(e)}" 存入数据库 conn = sqlite3.connect('archive.db') cursor = conn.cursor() try: cursor.execute("INSERT INTO archives (title, doc_code, category, filename, ocr_content) VALUES (?, ?, ?, ?, ?)", (title, doc_code, category, filename, ocr_text)) conn.commit() flash(f'档案 {title} 收集成功！OCR识别完成。') except sqlite3.IntegrityError: flash(f'错误：文号 {doc_code} 已存在，请检查重复数据。') finally: conn.close() return redirect(url_for('index')) else: flash('不支持的文件格式，仅支持图片和PDF。') return redirect(url_for('index')) if __name__ == '__main__': init_db() app.run(debug=True, port=5000) ```

四、前端上传页面实现

在templates文件夹下创建index.html。此页面提供档案元数据录入和文件上传控件，设计简洁，方便工作人员操作。

```html ```

五、系统配置与OCR调优

代码中默认启用了中英文混合识别模式。在Windows环境下，如果运行时报错tesseract is not installed，请务必在app.py中取消注释第13行，并将路径修改为你实际的安装路径。

提高识别准确率建议：

• 对于扫描件，上传前尽量保证图片DPI在300以上。
• 如果文档包含繁体中文，需将lang='chi_sim+eng'修改为lang='chi_tra+eng'。

六、系统启动与实操验证

6.1 启动服务

在终端中进入项目目录，执行启动命令：

```bash python app.py ```

终端显示Running on http://127.0.0.1:5000即表示服务启动成功。

6.2 操作流程验证

1. 打开浏览器访问http://127.0.0.1:5000。
2. 在表单中输入“档案标题”和“档案文号”（文号用于查重，不可重复）。
3. 选择“档案分类”并点击“选择文件”，上传一张包含文字的JPG或PNG图片。
4. 点击“提交并数字化处理”按钮。
5. 观察结果：页面应提示“档案收集成功”。此时检查项目目录下的static/uploads文件夹，确认文件已保存；检查根目录下的archive.db文件，使用SQLite查看工具打开，可以看到ocr_content字段中已经填充了识别出的文本内容。

至此，一套基础的政府档案数字化收集系统已搭建完成，实现了从文件上传、元数据录入到自动OCR识别及存储的全流程闭环。