零门槛可落地的档案数字化智能管理解决方案实操指南

一、前期环境准备

本方案基于开源工具搭建，无需付费，适合10万份以内档案的中小机构使用，所有步骤可直接复制执行。

1.1 安装必备工具

• 安装Python 3.8以上版本，Windows用户直接下载：https://www.python.org/ftp/python/3.10.11/python-3.10.11-amd64.exe，安装时勾选Add Python to PATH，其余默认即可。
• 安装图片预处理工具ImageMagick：Windows用户直接下载https://imagemagick.org/archive/binaries/ImageMagick-7.1.1-30-Q16-HDRI-x64-dll.exe，安装时务必勾选Add application directory to your system path；Mac用户执行命令brew install imagemagick；Linux用户执行命令sudo apt install imagemagick。
• 安装OCR识别工具，打开终端执行以下命令：

  ```
  pip install paddlepaddle paddleocr
  ```
  

  如果有NVIDIA显卡，可安装GPU版本提升识别速度：

  ```
  pip install paddlepaddle-gpu paddleocr
  ```
  

二、档案批量预处理实操

扫描得到的原始图片普遍存在倾斜、阴影、分辨率不一致问题，需批量预处理，步骤如下：

• 1. 将所有扫描得到的原始图片放到同一个文件夹，命名为original_imgs，同级目录新建空文件夹processed_imgs存放处理后图片。
• 2. 打开终端，进入original_imgs目录，执行对应批量处理命令，自动完成倾斜校正、去噪、压缩：

Mac/Linux用户执行：

```
for img in .jpg .png; do convert "$img" -deskew 40% -normalize -resize 1500x1500\> "processed_imgs/${img%.}.jpg"; done
```

Windows CMD用户执行：

```
for %i in (.jpg .png) do convert "%i" -deskew 40% -normalize -resize 1500x1500> processed_imgs\%~ni.jpg
```

注意：如果处理后图片清晰度不足，可将命令中的1500修改为2000，文件体积会相应变大

三、智能OCR识别与文本提取

预处理完成后，批量提取图片中的文字，支持中英文识别，准确率可达95%以上，步骤如下：

在original_imgs同级目录新建文件batch_ocr.py，复制以下完整代码：

```python
import os
from paddleocr import PaddleOCR
有GPU将use_gpu改为True
ocr = PaddleOCR(use_angle_cls=True, lang='ch', use_gpu=False)
img_dir = "./processed_imgs"
output_dir = "./ocr_text"
os.makedirs(output_dir, exist_ok=True)
for img_name in os.listdir(img_dir):
if not img_name.lower().endswith(('.jpg', '.png', '.jpeg')):
continue
img_path = os.path.join(img_dir, img_name)
result = ocr.ocr(img_path, cls=True)
text = "\n".join([line[1][0] for page in result for line in page])
output_name = f"{os.path.splitext(img_name)[0]}.txt"
with open(os.path.join(output_dir, output_name), 'w', encoding='utf-8') as f:
f.write(text)
print("批量OCR识别完成")
```

注意：第一次运行会自动下载识别模型，等待完成即可，无需手动操作

终端执行命令python batch_ocr.py，等待完成后，所有档案的文本内容会保存到ocr_text文件夹，模糊档案可手动打开文本文件修正错误。

四、搭建智能检索管理系统

我们搭建轻量Web系统，支持关键词秒搜，点击直接查看档案扫描件，步骤如下：

4.1 安装环境依赖

安装Node.js，Windows用户直接下载：https://nodejs.org/dist/v20.10.0/node-v20.10.0-x64.msi，全程默认下一步即可。安装完成后打开终端，执行以下命令：

```
mkdir archive-management && cd archive-management
npm init -y
npm install minisearch express cors
```

4.2 编写完整服务代码

在archive-management文件夹新建文件index.js，复制以下代码：

```javascript
const express = require('express');
const MiniSearch = require('minisearch')
const fs = require('fs');
const path = require('path');
const cors = require('cors');
const app = express();
const port = 3000;
app.use(express.static('public'));
app.use(cors());
// 加载所有档案数据
const documents = [];
const rootPath = path.resolve(__dirname, '..');
const ocrPath = path.join(rootPath, 'ocr_text');
const imgPath = path.join(rootPath, 'processed_imgs');
fs.readdirSync(ocrPath).forEach(file => {
if(file.endsWith('.txt')) {
const id = file.replace('.txt', '');
const content = fs.readFileSync(path.join(ocrPath, file), 'utf-8');
documents.push({ id, title: id, content });
}
});
// 初始化全文索引
const miniSearch = new MiniSearch({
fields: ['title', 'content'],
storeFields: ['title'],
searchOptions: { prefix: true }
})
miniSearch.addAll(documents);
// 接口定义
app.get('/search', (req, res) => {
const results = miniSearch.search(req.query.q);
res.json({ results });
})
app.get('/img/:id', (req, res) => {
res.sendFile(path.join(imgPath, `${req.params.id}.jpg`));
})
app.listen(port, () => {
console.log(`管理系统访问地址: http://localhost:${port}`);
})
```

新建public文件夹，在文件夹内新建index.html，复制以下代码：

```html









档案智能检索


搜索






```

4.3 启动使用

终端进入archive-management目录，执行命令node index.js，打开浏览器访问http://localhost:3000 即可使用，输入关键词即可秒搜对应档案，点击即可查看扫描件原文。

五、扩展说明

如果需要多端访问，可将整个项目部署到云服务器，开放3000端口即可使用；如果档案数量超过10万份，将MiniSearch替换为Elasticsearch即可，核心业务逻辑无需大幅修改，本方案搭建总成本为0，整体操作耗时不超过2小时，完全满足日常档案数字化管理需求。