批量OCR识别与图片文件自动重命名实践

一、背景与适用场景

在合同扫描归档、证件电子化、票据整理、书籍页扫描、截图分类等工作中，经常需要根据图片或PDF中的文字内容来对文件进行命名。例如：

• 将一批合同扫描件按“合同编号签署日期甲方名称”命名；
• 将证件图片按“姓名_证件号”命名；
• 将票据按“票据号金额日期”命名；
• 将扫描版书籍页按“章节名_页码”归档。

如果仅依靠人工逐个查看图片内容并手动修改文件名，不仅效率较低，而且容易出现漏读、错读、重名等问题。借助OCR文字识别能力，可以批量读取图片或PDF中指定区域的文字，并将识别结果按预设规则自动写入文件名，从而显著提升整理效率。

二、整体实现思路

该类工具或流程的核心思路通常包括以下几个步骤：

1. 文件导入：将待处理的图片或PDF统一放入独立目录，并导入工具。
2. 区域模板设计：在一张具有代表性的图片上框选需要识别的文字区域，例如“标题区”“编号区”“日期区”等。
3. 批量OCR识别：对全部文件执行相同的区域识别，提取各区域文字。
4. 命名规则配置：将识别结果按顺序或字段拼接，生成目标文件名。
5. 导出或重命名：预览识别结果，确认无误后执行批量重命名或导出表格。

下面将按这一思路展开详细说明。

三、详细操作步骤

Step 1：环境准备与文件整理

在开始处理之前，建议先做好以下准备工作：

1. 建立独立处理目录
   将需要处理的图片或PDF文件集中放入一个独立文件夹，避免与其他无关文件混在一起。这样一方面便于批量导入，另一方面也降低误处理风险。

2. 备份原文件
   批量重命名属于不可逆操作，尤其当文件数量较多时，建议先对原文件进行备份，或将处理结果输出到新目录，而不是直接覆盖原文件。

3. 关闭占用文件的程序
   如果这些图片或PDF正在被其他看图软件、PDF阅读器、编辑器或同步工具占用，可能导致读取失败或重命名失败。处理前应关闭相关程序。

4. 准备OCR运行环境
   如果使用本地OCR能力，需要确保相关运行库或服务已正确安装；如果使用云端OCR能力，则需要网络连接可用，并提前确认调用方式与配额。

Step 2：选择处理模式

不同的文件类型在读取方式、页面解析和识别策略上有所差异。常见工具会提供“图片模式”和“PDF模式”两种入口：

• 图片模式：适用于jpg、png、bmp、tiff等常见图片格式。通常按单张图片进行识别。
• PDF模式：适用于多页PDF文件。可选择按页识别，或只识别指定页，例如仅识别PDF首页的标题与编号。

选择模式后，建议先使用少量文件进行测试，确认识别效果与预期一致，再扩大到全部文件。

Step 3：导入文件与预览

通过“导入图片”或“导入PDF”功能，选择之前整理好的文件夹。导入完成后，左侧通常会显示文件缩略图列表或文件名列表。

此时可以快速浏览文件数量、顺序是否正确，并检查是否有明显损坏、模糊或方向异常的图片。对于扫描件，如果存在倾斜、黑边、阴影等问题，可以先进行统一的图像预处理，例如：

• 自动纠偏；
• 去噪；
• 灰度化或二值化；
• 统一分辨率。

这些预处理操作有助于提升后续OCR识别的准确率。

Step 4：设置识别区域模板

这是整个流程中最关键的一步。基本做法是：

1. 从导入列表中双击一张最具有代表性的图片或PDF页；
2. 进入“区域设置”窗口；
3. 在图片上框选一个或多个需要识别的区域；
4. 为每个区域设置字段名称，例如“标题”“编号”“日期”“姓名”等；
5. 对于PDF文件，还可以设置该区域应用到的页面范围，例如“仅第一页”或“全部页”。

区域模板设计原则

• 选择代表性样本：所选样本应尽量覆盖后续文件中文字位置较为一致的版式。如果不同文件版式差异较大，建议分批处理，并为每批设置不同模板。
• 框选范围适当留边：框选过紧可能导致文字边缘被裁切，框选过松则可能带入无关文字。一般建议在目标文字四周保留少量边距。
• 避免混合多行字段：如果同一行中包含多个字段，尽量分别框选，便于后续命名时单独使用。
• 注意PDF页结构：对于扫描版PDF，页与页之间的版式可能基本一致；对于电子生成的PDF，文字层可能已经是可选择文本，此时可直接提取文本而不需要OCR。

示例：合同扫描件区域设置

假设待处理文件为合同扫描件，版式固定如下：

• 顶部居中：合同标题；
• 右上角：合同编号；
• 中部左侧：甲方名称；
• 中部右侧：乙方名称；
• 底部：签署日期。

则可以在区域设置中建立以下字段：

title：合同标题区域
contract_no：合同编号区域
party_a：甲方名称区域
party_b：乙方名称区域
sign_date：签署日期区域

每个字段对应一个矩形框。后续所有文件都按照这套模板进行识别。

Step 5：配置命名规则

完成区域设置后，需要配置最终文件名生成规则。通常有两种方式：

方式一：固定字段拼接

使用预设字段加分隔符拼接，例如：

{contract_no}_{party_a}_{party_b}_{sign_date}

识别结果可能如下：

HT20250001_某某科技有限公司_某某信息技术有限公司_20250112

方式二：表达式或脚本生成

如果工具支持表达式或脚本，可以更灵活地处理识别结果，例如：

• 去除空格与换行；
• 截取固定长度；
• 替换非法字符；
• 条件判断，如某字段为空时使用默认值；
• 多字段组合后再生成文件名。

伪代码示例：

raw_title = OCR(title_region)
raw_no = OCR(contract_no_region)
title = clean(raw_title)
no = clean(raw_no)
filename = no + "_" + title

无论使用哪种方式，都建议在正式重命名前先进行预览，确认生成的文件名符合预期。

Step 6：批量识别与结果预览

执行批量处理后，系统会对所有图片或PDF应用同一套区域模板，并输出识别结果列表。

预览阶段应重点关注：

• 识别字段是否为空；
• 是否出现明显错字，例如数字“0”被识别为字母“O”；
• 不同文件之间是否存在重名；
• 文件名长度是否超过操作系统限制；
• 是否包含非法字符，如 \/:*?"<>| 等。

如果问题较多，应返回调整区域模板或图像预处理策略；如果仅个别文件异常，可手动修正识别结果后再继续。

Step 7：执行重命名或导出表格

确认结果无误后，可以选择：

• 直接批量重命名：将原文件名改为生成的文件名；
• 复制并重命名到新目录：保留原文件不变，将处理后的副本输出到新目录，更为安全；
• 导出识别结果表格：将原文件名、各区域识别结果、目标文件名等信息导出为CSV或Excel表格，便于后续审计、查重和人工复核。

四、常见问题与优化建议

1. 识别准确率不高

常见原因包括：

• 原图分辨率过低；
• 文字存在倾斜、阴影、印章遮挡；
• 字体过小或过于特殊；
• 区域框选不准确。

优化建议：

• 扫描时尽量使用300DPI以上分辨率；
• 对图片进行纠偏、去噪、增强对比度；
• 适当扩大识别区域；
• 使用针对中文、数字、符号等场景优化的识别能力。

2. PDF多页文件处理

对于多页PDF，如果每一页版式不同，不能简单套用同一模板。可考虑：

• 先按页拆分，再对不同版式页面分别处理；
• 仅选取固定页，例如封面、首页或最后一页进行识别；
• 对电子文本型PDF直接提取文字层，而不是走OCR。

3. 重名问题

当多个文件识别出的字段相同，例如同一天签署的多份合同，容易出现重名。建议在命名规则中加入原文件名序号或递增ID，例如：

{contract_no}_{sign_date}_{seq}

其中 seq 为两位或三位递增序号，可有效避免重名覆盖。

4. 文件名字符规范

不同操作系统对文件名的限制略有差异。通常需要过滤或替换以下字符：

\ / : * ? " < > |

同时避免文件名以空格或点号开头，避免使用过长的文件名。

五、总结

批量OCR识别并按图片或PDF中的文字内容重命名，是资料电子化与归档中的常见需求。通过设置统一识别区域模板、配置命名规则，再执行批量处理与预览，可以显著减少人工重复操作。实际使用时，建议先小批量测试，合理设计区域模板与命名规则，并保留原文件备份或输出到新目录，以保证处理过程的安全可控。

如果有更高要求的场景，例如混合版式、多语言混排、表格识别、印章遮挡等，则需要结合图像预处理、版式分析、后处理校验等能力进一步优化，构建更稳健的识别与命名流程。