Archive Manager - 文件命名归档管理助手

概述

对指定文件夹下的 PDF 文件完成全流程归档管理：扫描新增文件 → OCR 识别内容 → 按强制规范重命名 → 按月份+业务类型分层归档 → 更新 Excel 台账。支持定时自动化和台账检索。

触发场景

• 用户说"文件命名归档""归档管理""自动归档""文件重命名归档"等关键词
• 用户要求对文件夹中的 PDF 进行重命名和分类归档
• 用户要求建立档案台账或查询已归档文件清单
• 用户要求设置定时自动归档任务

核心工作流

Step 1: 扫描新增文件

扫描目标文件夹顶层（不含子文件夹）的所有 PDF 文件。已归档到子文件夹中的文件不再处理。

确认目标文件夹路径。若用户未指定，询问用户目标文件夹路径。

Step 2: 文件内容识别

对每份 PDF 文件，按以下优先级提取文字内容：

1. 文本层提取（优先）：用 pymupdf 的 page.get_text() 直接提取。电子发票等电子生成的 PDF 通常有文本层。
2. OCR 识别（兜底）：文本层为空时，用 pymupdf 提取首页图片（dpi=300），再用 rapidocr_onnxruntime 做 OCR 识别。扫描件合同、扫描件验收单等走此路径。

识别以下关键字段（按业务类型）：

若关键字段在 OCR 结果中缺失或不清晰，以更高 DPI（400）重新提取图片并 OCR。若仍无法确认，直接读取图片人工核对。

Step 3: 按强制命名规范重命名

详细命名规范见 references/naming_rules.md。核心规则：

强制规则：
- 金额格式：金额XXXX.XX（保留两位小数）
- 日期格式：YYYYMMDD（无分隔符）
- 禁止文件名含有特殊符号、空格、无意义字符，用 - 连接各字段
- 到货验收单的项目名称为空时省略该字段

Step 4: 分层归档

按以下层级创建文件夹并归档：

目标文件夹/
├── YYYY-MM/                    # 一级：归档月份（归档操作执行的月份）
│   ├── 买卖合同/
│   ├── 电子发票/
│   ├── 市场调研表/
│   └── 到货验收单/
└── 档案台账.xlsx

文件移动使用 PowerShell Move-Item（Windows 下 bash mv 可能因文件占用失败）。

Step 5: 更新 Excel 台账

在目标文件夹根目录维护 档案台账.xlsx，字段：

用 openpyxl 读取现有台账，在末尾追加新记录，保持表头样式一致。台账不存在时新建。

Step 6: 清理与汇总

归档完成后清理临时 OCR 图片，输出本次处理的文件清单汇总。

可执行脚本

scripts/archive_scan.py

一键扫描+识别脚本。传入目标文件夹路径，自动完成：
- 扫描顶层 PDF
- 文本层提取 / OCR 识别
- 输出每份文件的识别结果（业务类型 + 关键字段）到 stdout

用法：

python scripts/archive_scan.py <目标文件夹路径>

环境依赖：pymupdf、rapidocr_onnxruntime、openpyxl（均需提前安装）。
OCR 运行时加 -W ignore 抑制 onnxruntime 警告。

自动化运维

定时自动归档

当用户要求设置定时归档时，使用 automation_update 工具创建 recurring 自动化任务：

• 名称：归档管理-每日自动归档（或用户指定时间）
• scheduleType：recurring
• rrule：FREQ=DAILY;BYHOUR=16;BYMINUTE=0（默认每日16:00，可按用户要求调整）
• prompt：包含完整归档流程指令（扫描→识别→重命名→归档→台账更新）
• cwds：目标文件夹路径

台账检索

用户要求筛选台账时，用 openpyxl 读取台账 Excel，按业务类型或时间范围筛选，输出清单。

技术要点

• Python 路径：使用系统已安装的 Python 3.x（优先使用 WorkBuddy 管理的 Python）
• PDF 文本提取：pymupdf（import pymupdf 或 import fitz）
• OCR 引擎：rapidocr_onnxruntime（轻量级，无需 tesseract，首次使用需安装模型）
• Excel 操作：openpyxl（读写 xlsx，支持样式）
• Windows 文件占用：bash mv 报 "Device or resource busy" 时改用 PowerShell Move-Item -Force
• OCR 警告抑制：Python 命令加 -W ignore 参数
• imghdr 兼容：Python 3.13 移除了 imghdr 模块，需安装 standard-imghdr 包作为替代

参考文档

• references/naming_rules.md：完整的命名规范、字段提取规则、边界情况处理