零门槛搭建企业级档案数字化备份服务全流程实操

一、环境初始化与依赖安装

在开始搭建之前，我们需要准备一台安装了Ubuntu 22.04 LTS操作系统的服务器。为了确保档案数据的存储安全和处理效率，建议硬盘空间至少为1TB，并配置4GB以上的内存。本方案将采用Samba提供文件共享服务，利用Rsync配合硬链接实现增量快照备份，并集成Tesseract-OCR进行档案内容的自动识别。

执行以下命令更新系统源并安装核心依赖包。这些软件涵盖了文件共享、同步工具、文件监控以及中文OCR识别引擎。

```bash sudo apt update && sudo apt upgrade -y sudo apt install -y samba rsync inotify-tools tesseract-ocr tesseract-ocr-chi-sim ```

注意：tesseract-ocr-chi-sim是简体中文语言包，如果不安装此包，OCR功能将无法正确识别中文档案。安装完成后，使用以下命令验证OCR引擎是否就绪：

```bash tesseract --version ```

二、搭建档案文件接收服务

为了让办公区的电脑能够方便地上传档案文件，我们需要配置Samba服务。首先创建用于存储原始档案和备份的目录结构。

```bash sudo mkdir -p /data/archives/source sudo mkdir -p /data/archives/backup sudo mkdir -p /data/archives/processed ```

接下来，配置Samba。使用文本编辑器打开配置文件：

```bash sudo vim /etc/samba/smb.conf ```

在文件末尾添加以下配置。这里我们将创建一个名为“Archives”的共享目录，并设置强制用户映射，以确保上传的文件权限可控，避免后续脚本因权限不足无法处理文件。

```ini [Archives] comment = 档案数字化备份接收点 path = /data/archives/source browseable = yes read only = no create mask = 0664 directory mask = 0775 valid users = archive_admin force user = root ```

保存并退出后，创建Samba访问用户并设置密码。请将“your_password”替换为实际的高强度密码：

```bash sudo useradd -M -s /usr/sbin/nologin archive_admin sudo smbpasswd -a archive_admin 输入两次密码 ```

重启Samba服务使配置生效：

```bash sudo systemctl restart smbd nmbd ```

三、编写核心增量备份脚本

传统的备份方式每次都复制所有文件，极其浪费空间和时间。我们将使用Rsync配合cp命令的硬链接特性，实现类似苹果Time Machine的增量快照效果。这意味着，如果一份100MB的档案没有修改，第二次备份只占用几KB的索引空间。

创建备份脚本文件：

```bash sudo vim /usr/local/bin/archive_backup.sh ```

写入以下完整脚本逻辑。请仔细阅读注释，理解每一步操作的目的：

```bash !/bin/bash 定义源目录和备份根目录 SOURCE_DIR="/data/archives/source" BACKUP_ROOT="/data/archives/backup" 保留最近30天的备份 RETENTION_DAYS=30 获取当前日期和时间作为快照文件夹名称 DATE_TAG=$(date +%Y-%m-%d_%H-%M) CURRENT_BACKUP="$BACKUP_ROOT/$DATE_TAG" 获取上一次备份的目录路径（用于创建硬链接） LATEST_BACKUP=$(ls -1td $BACKUP_ROOT// 2>/dev/null | head -n 1) echo "开始备份: $DATE_TAG" 1. 创建新的快照目录 mkdir -p "$CURRENT_BACKUP" 2. 执行rsync同步 --link-dest: 如果文件在LATEST_BACKUP中存在且未变化，则创建硬链接而非复制 -a: 归档模式，保留权限、时间戳等 --delete: 删除源目录中已不存在的文件 if [ -n "$LATEST_BACKUP" ]; then rsync -av --delete --link-dest="$LATEST_BACKUP" "$SOURCE_DIR/" "$CURRENT_BACKUP/" else 第一次全量备份 rsync -av --delete "$SOURCE_DIR/" "$CURRENT_BACKUP/" fi echo "备份完成: $CURRENT_BACKUP" 3. 清理旧备份 查找并删除超过保留天数的目录 find "$BACKUP_ROOT" -maxdepth 1 -type d -mtime +$RETENTION_DAYS -exec rm -rf {} \; echo "旧备份清理完成" ```

赋予脚本执行权限：

```bash sudo chmod +x /usr/local/bin/archive_backup.sh ``>

四、配置自动化OCR识别服务

档案数字化不仅仅是存储图片，还需要提取文字内容以便检索。我们将编写一个基于inotifywait的监控脚本，一旦有新文件上传到Samba目录，自动调用Tesseract进行识别，并将结果保存为同名的TXT文件。

创建OCR处理脚本：

```bash sudo vim /usr/local/bin/ocr_watchdog.sh ```

写入以下代码。该脚本会持续监控源目录，针对常见的图片格式（jpg, png, tif）进行异步处理：

```bash !/bin/bash WATCH_DIR="/data/archives/source" PROCESSED_DIR="/data/archives/processed" 确保处理目录存在 mkdir -p "$PROCESSED_DIR" 启动监控 -m: 监控模式 -r: 递归监控子目录 -e: 监控关闭写入事件（即文件上传完成） --format: 输出文件路径 inotifywait -m -r -e close_write --format '%w%f' "$WATCH_DIR" | while read FILE do 获取文件扩展名并转为小写 EXT="${FILE.}" EXT=$(echo "$EXT" | tr '[:upper:]' '[:lower:]') 判断是否为图片文件 if [[ "$EXT" == "jpg" || "$EXT" == "jpeg" || "$EXT" == "png" || "$EXT" == "tif" || "$EXT" == "tiff" ]]; then echo "检测到新文件: $FILE, 开始OCR识别..." 定义输出文件名 OUTPUT_TXT="${FILE%.}.txt" 执行OCR识别 -l chi_sim: 指定简体中文库 tesseract "$FILE" "$OUTPUT_TXT" -l chi_sim if [ $? -eq 0 ]; then echo "识别成功: $OUTPUT_TXT" 可选：将识别后的文件移动到已处理目录，避免重复处理 mv "$FILE" "$PROCESSED_DIR/" mv "$OUTPUT_TXT" "$PROCESSED_DIR/" else echo "识别失败: $FILE" fi fi done ```

赋予执行权限：

```bash sudo chmod +x /usr/local/bin/ocr_watchdog.sh ```

五、系统定时任务与守护配置

为了确保服务在服务器重启后自动运行，我们需要配置Crontab定时任务和Systemd守护进程。

配置Systemd服务来管理OCR监控脚本，保证其崩溃后能自动重启。创建服务文件：

```bash sudo vim /etc/systemd/system/ocr-monitor.service ```

写入以下配置：

```ini [Unit] Description=Archive OCR Watchdog Service After=network.target [Service] Type=simple User=root ExecStart=/usr/local/bin/ocr_watchdog.sh Restart=on-failure RestartSec=5s [Install] WantedBy=multi-user.target ```

启动并开启自启：

```bash sudo systemctl daemon-reload sudo systemctl enable ocr-monitor.service sudo systemctl start ocr-monitor.service ```

接下来，配置Crontab实现每日凌晨2点自动执行备份脚本。编辑crонтab：

```bash sudo crontab -e ```

在文件末尾添加以下行：

```bash 0 2 /usr/local/bin/archive_backup.sh >> /var/log/archive_backup.log 2>&1 ```

六、功能验证与日常维护

至此，所有服务已部署完毕。我们需要进行最后的验证。在Windows电脑上，访问“\\<服务器IP>\Archives”，输入Samba账号密码。尝试上传一张包含文字的照片（如扫描件）。

1. OCR验证：观察服务器终端或稍等片刻，在Samba源目录中应该会生成一个同名的.txt文件，打开查看内容是否与图片文字一致。

2. 备份验证：手动执行一次备份脚本 `/usr/local/bin/archive_backup.sh`。检查 `/data/archives/backup` 目录下是否生成了以当前时间命名的文件夹，且里面的文件硬链接数正常（使用 `ls -lh` 查看）。

日常维护中，主要通过查看日志来确认状态。查看OCR服务状态：

```bash sudo systemctl status ocr-monitor.service ```

查看备份日志：

```bash tail -f /var/log/archive_backup.log ```

通过这套方案，您实际上构建了一个具备文件接收、自动内容提取（数字化）以及时间点快照恢复能力（备份）的完整档案系统，且完全基于开源软件构建，无任何授权成本。