脚本如何合同文件分类归档

本文目录导读：

1. 核心设计思路
2. 详细实现步骤（以Python为例）
3. 进阶优化建议
4. 示例流程示意图
5. 常见问题处理

针对脚本（通常指自动化脚本或程序代码）的合同文件分类归档，核心目标是自动化、结构化、可追溯，以下是一套基于脚本实现的分类归档方案，分为设计思路、具体实现步骤和示例代码三个部分。

核心设计思路

1. 输入源：扫描指定文件夹（如“待归档合同”），或通过API接收文件。
2. 信息提取：从PDF/Docx/图片合同中提取关键元数据（合同编号、甲方/乙方、签署日期、金额、合同类型）。
3. 分类规则：基于提取的元数据（如甲方名称的首字母、合同类型、年份）自动生成文件夹层级。
4. 归档执行：按规则移动或复制文件到新目录，并可能重命名。
5. 日志与校验：记录每次操作，避免重复归档或错误处理。

详细实现步骤（以Python为例）

步骤1：环境准备

需要安装以下Python库：

• os, shutil：文件操作
• pyPdf2 / pdfplumber：读取PDF文本
• python-docx：读取Word文档
• pandas：处理分类规则表（如有）
• re：正则表达式提取数据

pip install pdfplumber python-docx pandas

步骤2：定义合同元数据结构

# 单个合同的信息字典
contract_info = {
    "contract_id": "HT2023001",
    "party_a": "某科技公司",
    "party_b": "某服务商",
    "sign_date": "2023-05-20",
    "amount": 1000000.00,
    "type": "技术服务合同",   # 可来自文件名或内容关键词（如“采购”“租赁”“保密”）
    "original_filename": "2023技术服务合同_某公司.pdf"
}

步骤3：信息提取函数（核心）

• PDF合同：用pdfplumber逐页提取文本，然后用正则匹配“合同编号”“甲方”等。
• Word合同：用python-docx读取段落或表格。
• 命名规范：若文件名已包含信息（如“HT2023-001-某公司-采购.pdf”），可优先解析文件名。

import re, pdfplumber
def extract_from_pdf(filepath):
    text = ""
    with pdfplumber.open(filepath) as pdf:
        for page in pdf.pages:
            text += page.extract_text()
    # 示例正则：提取合同类型（假设文本包含“本合同为……合同”）
    type_match = re.search(r'本合同为[\s]*([\u4e00-\u9fa5]+)[\s]*合同', text)
    contract_type = type_match.group(1) if type_match else "其他"
    # 类似提取其他字段...
    return contract_type  # 返回结构化字典

步骤4：分类规则引擎

def classify_rule(info):
    """
    根据合同信息生成归档路径
    示例规则：
    /归档根目录/
        {年度}/
            {合同类型}/
                {甲方首字母}/
                    {重命名后的文件}
    """
    year = info['sign_date'][:4] if info['sign_date'] else "未知年份"
    ctype = info['type'] if info['type'] else "其他"
    # 甲方名称拼音首字母（可引入pypinyin库）
    first_letter = get_first_letter(info['party_a'])
    target_dir = os.path.join(ARCHIVE_ROOT, year, ctype, first_letter)
    os.makedirs(target_dir, exist_ok=True)
    return target_dir

步骤5：执行归档与日志

import shutil, datetime, csv
def archive_file(src_path, info):
    target_dir = classify_rule(info)
    # 重命名：合同编号_原始文件名（避免重名）
    new_name = f"{info['contract_id']}_{info['original_filename']}"
    target_path = os.path.join(target_dir, new_name)
    shutil.move(src_path, target_path)  # 或 copy2
    # 写入日志.csv
    with open('archive_log.csv', 'a', newline='', encoding='utf-8') as f:
        writer = csv.writer(f)
        writer.writerow([datetime.now(), src_path, target_path, info['contract_id']])

步骤6：主流程循环扫描

import glob
ARCHIVE_ROOT = "D:/合同归档"
INPUT_FOLDER = "D:/待归档"
for filename in os.listdir(INPUT_FOLDER):
    filepath = os.path.join(INPUT_FOLDER, filename)
    if not os.path.isfile(filepath):
        continue
    # 跳过已归档标记（如文件名包含"_已归档"）
    if "_已归档" in filename:
        continue
    try:
        info = extract_from_pdf(filepath)  # 或 extract_from_docx
        if info:
            archive_file(filepath, info)
            # 重命名原文件（可选）防止重复处理
            os.rename(filepath, filepath.replace(".pdf", "_已归档.pdf"))
        else:
            # 无法提取则移到“未识别”文件夹
            move_to_unknown(filepath)
    except Exception as e:
        log_error(filepath, str(e))

进阶优化建议

1. 手写符号或样本的识别：如果合同中有手写的分类编号或签名，可结合OCR（如pytesseract或百度API）进行识别。
2. 重复归档检测：通过MD5哈希或合同编号，确保同一份合同不被重复归档。
3. 性能提升：使用multiprocessing或asyncio批量处理上百份文件。
4. 用户交互：提供一个简单的GUI（如tkinter）让用户手动确认提取的信息，避免误归。
5. 分类规则动态化：将规则存储在JSON或Excel中，方便非技术人员修改（如增加“年份→客户→合同类型”的层级）。

示例流程示意图

[待归档文件夹]
  ├── 采购合同_华为_20231001.pdf
  ├── 技术服务合同_腾讯_2023.pdf
  └── 租赁合同_利丰.docx
运行脚本后，自动生成：
[归档根目录]
├── 2023/
│   ├── 采购/
│   │   └── H/
│   │       └── HT2023-001_采购合同_华为_20231001.pdf
│   ├── 技术服务/
│   │   └── T/
│   │       └── HT2023-002_技术服务合同_腾讯_2023.pdf
│   └── 租赁/
│       └── L/
│           └── HT2023-003_租赁合同_利丰.docx
└── 未识别/
    └── 模糊合同.png

常见问题处理

• 文件太模糊：设置置信度阈值，低于阈值时放入“待人工确认”文件夹。
• 合同类型识别不准：可采用关键词权重匹配（如“采购”出现5次以上才判为采购合同）。
• 存档路径冲突：生成唯一文件编号（如UUID），或判断目标目录是否已有同名文件并加后缀。

如果需要完整可运行的示例代码（包括PDF提取、Excel规则表、多线程扫描），我可以进一步提供。