档案数字化国际化合作零门槛落地都柏林元数据配套多语言识别

第一步：准备标准化元数据基础——都柏林核心元素集（DCMES）1.1中文官方版

档案数字化国际化的核心是元数据互通，DCMES是全球档案界通用的最小元数据集，无需复杂扩展即可覆盖80%合作场景。

操作1：获取DCMES1.1中文约束规范

直接访问以下地址下载可直接使用的中文规范文档：

https://www.dublincore.org/sites/default/files/documents/dcmi-terms/dcmi-terms-zh.html

操作2：快速生成适配的Excel元数据模板

按以下步骤用WPS/Excel创建无需编程的批量录入模板：

• 新建空白Excel，第一行按顺序填入15个DCMES核心元素（按规范中文翻译+英文标签括号标注：题名Title、创建者Creator、主题Subject、描述Description、出版者Publisher、贡献者Contributor、日期Date、类型Type、格式Format、标识符Identifier、来源Source、语言Language、关联Relation、覆盖范围Coverage、权限Rights）
• 第二行填入必填约束提示（约束严格按DCMES1.1规范：题名、标识符、语言为必选必填，其余为可选可空）
• 设置数据有效性规则：
  • 点击「语言」列（比如K列），打开「数据」-「有效性」-「允许」选「序列」，「来源」框直接复制粘贴以下IANA标准双字母语言代码（覆盖主流合作国家/地区）：zh-CN,en-US,ja-JP,ko-KR,fr-FR,de-DE,es-ES,ar-SA,ru-RU
  • 点击「类型」列（比如H列），设置序列来源：文本Text,图像Image,音频Audio,视频Video,数据集Dataset,软件Software,交互资源InteractiveResource,事件Event,物理对象PhysicalObject,概念Concept
• 保存为「都柏林核心档案元数据模板.xlsx」

第二步：多语言档案批量OCR识别——Tesseract OCR5.3.3（开源免费零门槛）

Tesseract是目前开源界识别精度最高的多语言OCR工具，支持100+语言，可配合Python快速批量处理，无需专业服务器。

操作1：环境搭建（Windows/Mac通用，只列Windows步骤，Mac同理替换为brew命令）

第一步安装Tesseract本体：

• 访问Windows官方预编译包下载地址：https://github.com/UB-Mannheim/tesseract/wiki
• 下载最新稳定版「tesseract-ocr-w64-setup-v5.3.3.exe」（对应64位系统，32位选w32）
• 双击安装，必须勾选「Additional language data (download)」里的所有目标合作语言+中文简体/繁体，安装路径默认C:\Program Files\Tesseract-OCR即可
• 验证安装：按Win+R输入cmd，回车后输入`tesseract --version`，出现版本号说明成功

第二步安装Python批量处理工具：

• 访问Python官网下载地址：https://www.python.org/downloads/release/python-3119/
• 下载最新3.11.x版本（不要3.12及以上，可能有兼容性问题），必须勾选「Add Python 3.11 to PATH」
• 验证安装：重新打开cmd，输入`python --version`，出现版本号说明成功
• 安装依赖库：在cmd输入以下命令并回车：

``` pip install pillow pytesseract pandas openpyxl ```

操作2：批量OCR识别+自动填充部分元数据

创建一个纯文本批处理脚本和Python脚本配合使用，自动完成扫描件识别：

第一步：准备文件夹结构：

• 在桌面新建「档案数字化国际化」文件夹
• 在该文件夹内新建三个子文件夹：「待识别扫描件」「已识别文本」「最终成果」
• 把提前做好的「都柏林核心档案元数据模板.xlsx」放入「档案数字化国际化」根目录
• 把命名格式为「待识别唯一标识符_扫描序号.jpg/png」的文件放入「待识别扫描件」（唯一标识符必填，后续自动匹配元数据）

第二步：在根目录新建「ocr_batch.py」Python脚本，复制粘贴以下完整代码：

```python import os import pytesseract from PIL import Image import pandas as pd 配置Tesseract路径（仅Windows需要，Mac删除此行） pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe' 定义路径 root_dir = os.path.dirname(os.path.abspath(__file__)) input_dir = os.path.join(root_dir, '待识别扫描件') output_text_dir = os.path.join(root_dir, '已识别文本') metadata_path = os.path.join(root_dir, '都柏林核心档案元数据模板.xlsx') output_metadata_path = os.path.join(root_dir, '最终成果', '已填充元数据.xlsx') output_combined_dir = os.path.join(root_dir, '最终成果', '带文本附件的扫描件集') 创建输出文件夹（不存在就新建） os.makedirs(output_text_dir, exist_ok=True) os.makedirs(output_combined_dir, exist_ok=True) 读取空元数据模板 df = pd.read_excel(metadata_path) 遍历待识别文件 for filename in os.listdir(input_dir): if filename.lower().endswith(('.jpg', '.jpeg', '.png', '.tiff', '.bmp')): 解析唯一标识符 file_id = filename.split('_')[0] 打开图片 img_path = os.path.join(input_dir, filename) img = Image.open(img_path) 多语言识别（可自行修改lang参数，顺序影响识别精度：主语言放前面，比如中英双语用chi_sim+eng） text = pytesseract.image_to_string(img, lang='chi_sim+eng') 保存识别文本 text_filename = f'{file_id}.txt' text_path = os.path.join(output_text_dir, text_filename) with open(text_path, 'w', encoding='utf-8') as f: f.write(text) 自动填充标识符、语言、格式、描述（前100字） new_row = { '题名Title': '', '创建者Creator': '', '主题Subject': '', '描述Description': text[:100].replace('\n', ' '), '出版者Publisher': '', '贡献者Contributor': '', '日期Date': '', '类型Type': 'Image', '格式Format': f'image/{filename.split(".")[-1].lower()}', '标识符Identifier': file_id, '来源Source': '', '语言Language': 'zh-CN,en-US', 根据实际识别语言修改 '关联Relation': '', '覆盖范围Coverage': '', '权限Rights': '' } 添加到DataFrame df = pd.concat([df, pd.DataFrame([new_row])], ignore_index=True) 复制扫描件和文本到最终成果集 import shutil shutil.copy(img_path, os.path.join(output_combined_dir, filename)) shutil.copy(text_path, os.path.join(output_combined_dir, text_filename)) 保存已填充的元数据 df.to_excel(output_metadata_path, index=False) print('批量OCR识别+元数据填充完成！') ```

第三步：在根目录新建「一键识别.bat」Windows批处理文件，复制粘贴以下内容：

```batch @echo off cd /d "%~dp0" python ocr_batch.py pause ```

第四步：双击「一键识别.bat」运行，等待1-10分钟（根据扫描件数量和大小），「最终成果」文件夹会生成已填充部分元数据的Excel、独立识别文本、以及配套的扫描件+文本集。

第三步：元数据完善后导出为国际通用XML格式

合作方通常要求XML格式的DCMES元数据，无需编程，用Excel自带的「Power Query」即可批量导出：

操作1：用Power Query打开已填充的元数据

• 打开「已填充元数据.xlsx」
• 选中包含元数据的所有单元格（从第一行核心元素开始）
• 点击「数据」-「从表格/范围」，勾选「我的表格有标题」，点击确定

操作2：导出为DCMES XML格式

• 在Power Query编辑器中，点击「转换」-「将第一行用作标题」（如果之前没自动应用）
• 点击「文件」-「导出」-「XML文件」
• 保存到「最终成果」文件夹，命名为「档案元数据_DCMES1.1.xml」

第四步：打包压缩成果文件（符合国际传输规范）

国际传输建议用ZIP64格式压缩（支持4GB以上文件），打包规则如下：

• 压缩「最终成果」文件夹内的所有文件（不要压缩父文件夹）
• Windows下右键点击选中的文件-「发送到」-「压缩(zipped)文件夹」，命名为「档案数字化国际化合作成果_YYYYMMDD.zip」（YYYYMMDD替换为当天日期）
• Mac下右键点击选中的文件-「压缩X项」，命名规则同上