档案著录是否支持OCR识别扫描件内容？从图像档案到可检索文本

档案著录可以支持对扫描件、纸质档案数字复制件等图像内容进行OCR识别，并不应局限于处理原本就带有文本层的电子文件。更准确地说，OCR为档案著录提供了一条“图像—文本—元数据—检索”的转换路径，使扫描件中的文字能够被提取、校对、著录和检索。

不过，是否真正支持OCR，不能只看系统是否存在“OCR识别”按钮，还要进一步确认以下能力：

• 能否对扫描件、图片、双层PDF等非结构化内容进行识别；
• 能否指定区域识别，而不是只能整页处理；
• 能否识别印刷体、表格、复杂版式及手写内容；
• 识别结果能否进入著录、检索或后续自动化流程；
• 是否具备人工校验、错误修正和结果复核机制。

从档案数字化的发展趋势看，OCR已经不只是辅助工具，而是连接纸质档案数字化成果与档案数据利用的重要技术环节。

一、为什么扫描件不能直接等同于电子文本

扫描件通常是图片文件。虽然用户可以在电脑或档案管理系统中“看到”文字，但计算机未必能够直接理解图片里的内容。

1. 扫描件与文本型电子文件的区别

如果档案只是完成了扫描，纸质内容被转换成了TIFF、JPG或普通PDF，那么它仍然主要是“数字图像”，并没有完全转化为可检索、可分析的档案数据。

OCR的作用，就是将图像中的文字转换为机器可读取的字符，使扫描件从“能看”进一步变成“能搜、能复制、能提取、能处理”。

2. 档案著录不应只停留在文件名和页码层面

传统著录往往需要人工填写：

• 题名；
• 责任者；
• 形成日期；
• 文号；
• 主题词；
• 内容摘要；
• 分类号或档号；
• 页数、载体及文件格式等信息。

当档案原文已经完成OCR后，系统可以利用识别出的文本辅助提取题名、日期、人物、地点、机构和关键词等信息。著录人员的工作重点也可以从逐页抄录，转向结果核验、内容判断和规范化标引。

因此，OCR并不是对档案著录的简单替代，而是为智能著录提供原始文本基础。

二、档案著录支持OCR的标准依据与行业方向

国家档案行业已经对纸质档案数字复制件的OCR工作建立了相应规范。

《纸质档案数字复制件光学字符识别（OCR）工作规范》（DA/T 77-2019）针对纸质档案通过扫描、拍摄等方式形成的数字图像，明确了OCR工作的组织、实施、质量管理和成果要求。

这说明，OCR识别扫描件内容并非脱离档案业务的临时功能，而是纸质档案数字化成果进一步数据化利用的重要组成部分。

1. OCR成果可以成为档案著录的文本基础

OCR完成后，系统可能形成或辅助生成以下成果：

• TXT等纯文本文件；
• 带有图像层和文字层的双层PDF；
• 带有可检索文字层的双层OFD；
• 用于全文检索的索引数据；
• 辅助生成目录和元数据的结构化文本。

其中，双层PDF或双层OFD通常同时保留原始图像和识别文本：

1. 用户可以查看档案原貌；
2. 系统可以读取OCR生成的文本层；
3. 用户可以进行关键词搜索；
4. 在权限允许的情况下，可以复制或引用识别结果。

2. 著录规则正在适应数字资源管理

《档案著录规则》（DA/T 18-2022）相较于早期版本，增加或强化了与电子档案相关的著录项目，例如计算机文件大小、文件格式、生成方式等内容。

这反映出档案著录对象正在从传统的纸质实体，逐步扩展为包括：

• 纸质档案实体；
• 数字复制件；
• OCR识别成果；
• 结构化元数据；
• 全文索引与关联数据。

从业务角度看，档案管理已经不再只是“记录档案在哪里”，还需要回答“档案包含什么内容”“档案之间有什么关系”“如何快速找到目标信息”。

三、档案OCR通常支持哪些识别场景

“支持OCR”并不代表所有档案类型都能达到相同识别效果。实际效果与图像质量、字体、版式、语言、纸张状态和识别引擎有关。

1. 印刷体扫描件

印刷体是OCR最成熟的应用场景，常见于：

• 公文；
• 会议材料；
• 合同与协议；
• 报表；
• 通知和宣传材料；
• 出版物及档案汇编。

对于分辨率较高、页面平整、字迹清晰的印刷体扫描件，OCR通常可以快速生成全文文本，并用于全文检索和著录辅助。

2. 表格与固定版式文件

表格类档案的难点不只是“识别文字”，还包括识别文字所在的行、列和字段关系。

例如，一张档案登记表可能包含：

• 姓名；
• 出生日期；
• 所属单位；
• 档案编号；
• 审批意见；
• 时间和印章区域。

如果系统只能输出连续文本，后续仍需要人工整理。更成熟的方案应当进一步支持版面分析、字段定位和结构化提取。

3. 手写体、繁体字和异体字

历史档案经常包含手写体、繁体字、异体字、旧式标点或模糊字迹，这些内容的识别难度明显高于现代印刷体。

因此，档案OCR项目需要重点验证：

• 是否支持手写体识别；
• 是否支持竖排文本；
• 是否能够处理褪色、污损、折痕和印章遮挡；
• 是否支持繁体字、异体字或特定历史用字；
• 是否可以对低质量扫描件进行预处理。

采购和验收时，不宜只用清晰的现代印刷体样本测试，而应当使用实际馆藏中具有代表性的样本进行识别率评估。

四、如何判断一个档案著录系统是否真正支持OCR

可以从“输入、识别、输出、应用、质检”五个层面进行判断。

1. 输入层：能否读取扫描件

系统至少应考虑以下输入形式：

• JPG、PNG、TIFF等图片；
• 普通扫描PDF；
• 批量扫描文件；
• 多页档案文件；
• 来自扫描仪、拍摄设备或数字化加工系统的文件。

如果系统只能处理Word、Excel或带文本层的PDF，那么它支持的是电子文本处理，不等同于支持扫描件OCR。

2. 识别层：是否提供整页与区域识别

档案著录的OCR通常有两类需求：

整页或整份文件识别

适合用于：

• 批量生成全文文本；
• 建立档案全文索引；
• 辅助生成内容摘要；
• 对整批数字化成果进行预处理。

指定区域识别

适合用于：

• 只提取档案封面的题名；
• 识别文号、日期或责任者；
• 提取表格中的指定字段；
• 对局部模糊区域进行单独识别；
• 在著录界面中快速补录字段。

实际业务中，区域识别往往更符合著录人员的操作习惯。因为著录并不总是需要识别整张页面，有时只需提取某个固定字段。

3. 输出层：识别结果能否被继续使用

OCR结果如果只能在弹窗中短暂显示，价值会受到限制。更实用的系统应支持将结果：

• 复制到著录字段；
• 写入档案目录；
• 生成全文索引；
• 导出为TXT或其他文本文件；
• 生成双层PDF、双层OFD等成果；
• 传递给后续自动化流程或业务系统。

4. 应用层：是否与著录流程真正打通

完整的OCR著录流程通常不是“点击识别”就结束，而是：

导入扫描件
   ↓
图像预处理
   ↓
OCR识别
   ↓
文本校对
   ↓
字段提取
   ↓
著录入库
   ↓
全文检索与档案利用

如果OCR结果无法进入著录页面、目录库或检索系统，那么它更像一个独立的识别工具，而不是档案著录能力的一部分。

5. 质检层：是否允许人工审核和结果修正

OCR必然存在一定错误率，尤其是在手写体、模糊图像、古旧档案和复杂表格场景中。因此，系统需要建立人工复核机制。

推荐采用以下闭环：

1. 批量识别：先对数字化档案进行OCR处理；
2. 自动标记：对低置信度文字或异常页面进行标记；
3. 人工核验：著录人员检查关键字段和重点内容；
4. 问题反馈：记录错字、漏字、版式错误等问题；
5. 优化复测：调整识别参数或模型后重新处理；
6. 成果利用：将合格结果用于著录、检索和档案服务。

对于重要档案，不能将OCR结果直接视为原文的无条件替代品。OCR文本应当与原始扫描图像保持关联，并保留必要的审核记录。

五、实在Agent如何辅助扫描件OCR与档案著录

在自动化操作场景中，实在Agent可以通过元素库中的OCR拾取能力，对界面上的指定区域或指定对象进行截图识别，并提取其中的文本内容，供后续自动化动作使用。

这里需要区分两个概念：

• 档案OCR识别：针对扫描件、图片或数字化档案内容进行文字识别；
• 界面OCR拾取：针对业务系统当前页面中的指定区域进行识别，以便驱动后续自动化操作。

实在Agent的OCR拾取更适合解决“识别后如何自动填报、复制、核验和流转”的问题。例如，档案人员在业务系统中打开扫描件后，可以通过指定区域拾取题名、日期或文号，再将识别结果自动填入相应著录字段。

1. OCR拾取的基本操作逻辑

根据产品能力，OCR拾取以截图识别的方式获取指定区域或对象中的文本内容，基本流程可以概括为：

1. 打开档案著录系统或相关业务页面；
2. 定位需要识别的扫描件区域；
3. 调用OCR拾取功能；
4. 框选页面中的题名、日期、文号或其他字段；
5. 读取识别结果；
6. 将结果写入目标著录字段；
7. 执行保存、提交或下一条档案处理动作。

2. 适合自动化的档案著录场景

实在Agent可以重点辅助以下重复性工作：

• 从扫描件封面拾取档案题名；
• 从公文页面拾取文号和形成日期；
• 从固定区域提取责任者或机构名称；
• 将识别结果批量填入档案管理系统；
• 对著录字段进行重复性校验；
• 按照业务规则执行保存、翻页和提交操作。

3. 何时应使用“拾取新元素”而不是OCR拾取

实在Agent的元素库还支持“拾取新元素”，主要用于识别界面中的按钮、输入框、下拉框、列表和其他界面对象，以便执行点击、输入、选择等自动化动作。

两者的用途不同：

一个完整的档案著录自动化流程，通常需要将两者组合使用：

OCR拾取扫描件文字
        ↓
识别题名、日期、文号
        ↓
拾取著录页面输入框
        ↓
自动填写字段
        ↓
拾取保存按钮
        ↓
提交并进入下一份档案

这类组合的价值不在于单次识别，而在于把“看图、抄录、填表、保存、翻页”串成连续流程，减少人工在多个系统和页面之间重复切换。

六、档案OCR项目中最容易被忽略的三个问题

1. OCR识别准确率不等于著录准确率

OCR识别的是字符，档案著录还涉及业务判断。

例如，系统可能正确识别出一段文字，但著录人员仍需要判断：

• 哪一部分是正式题名；
• 日期应采用哪种著录格式；
• 责任者是个人、机构还是发文单位；
• 同名词语是否应作为主题词；
• 识别出的内容是否属于正文、批注或印章文字。

因此，OCR可以降低录入成本，但不能完全替代档案专业人员对著录规则和档案内容的判断。

2. 清晰扫描件与历史档案不能使用同一验收标准

不同档案类型应设置不同测试样本和验收指标。至少应覆盖：

• 清晰印刷体；
• 低对比度页面；
• 表格和多栏版式；
• 盖章或批注页面；
• 手写体；
• 繁体字、异体字或旧式文本。

如果项目只测试标准印刷体，实际投入使用后可能出现识别效果与预期差异较大的问题。

3. 原图、识别文本和修订记录应保持关联

档案OCR结果属于加工成果，不能脱离原始档案图像独立保存。建议系统至少保留以下关联关系：

• 原始扫描图像；
• OCR初始结果；
• 人工修订结果；
• 最终著录数据；
• 处理人员、处理时间和版本信息。

这样既方便后续复核，也有利于处理争议、纠错和质量追溯。

七、从“支持OCR”到“可用OCR”的判断清单

选择或评估档案著录系统时，可以使用以下清单：

• 是否支持JPG、PNG、TIFF和普通扫描PDF？
• 是否支持批量识别多页档案？
• 是否支持整页识别和局部区域识别？
• 是否支持印刷体、手写体和复杂版式？
• 是否能够保留原图与OCR文本的对应关系？
• 是否可以生成双层PDF或双层OFD？
• 是否支持全文检索？
• 是否能把识别结果直接写入著录字段？
• 是否有低置信度提示和人工校对功能？
• 是否能够通过实在Agent等自动化工具完成跨页面录入和提交？

其中，最后一项尤其适合已经拥有档案管理系统、但系统之间缺少接口，或者著录页面仍需要大量人工操作的单位。通过界面元素识别与OCR拾取组合，可以在不改变原有系统核心结构的情况下，补充部分自动化能力。

结论：档案著录的处理对象已经从文本扩展到图像

档案著录并非只能处理电子文本。对于纸质档案扫描件、图片文件和普通扫描PDF，OCR是实现文字提取、著录辅助、全文检索和智能利用的关键技术。

但判断系统是否真正支持OCR，应关注完整链路：

扫描件输入
→ OCR文字识别
→ 人工校验
→ 元数据提取
→ 著录入库
→ 全文检索
→ 自动化利用

其中，实在Agent的OCR拾取能力更适合承担“从业务界面指定区域提取文字，并驱动后续自动化动作”的环节；结合元素库拾取新元素，还可以实现识别、填报、保存和流转的一体化操作。

因此，较为严谨的结论是：现代档案著录应支持OCR识别扫描件内容，但OCR识别能力必须与著录字段、质量校验、全文检索和业务自动化真正衔接，才能形成可落地的档案智能著录方案。

❓档案著录与OCR常见问题

1. 扫描PDF一定可以全文检索吗？

不一定。只有带有文本层的PDF，或者经过OCR处理并生成文本层的双层PDF，通常才可以进行全文检索。普通扫描PDF本质上是图片，需要先进行OCR识别。

2. OCR能否完全替代档案著录人员？

不能。OCR可以完成文字识别和信息提取，但题名判断、责任者确认、主题标引、日期规范化和异常内容审核仍需要档案专业人员参与。

3. 实在Agent的OCR拾取适合处理整批档案吗？

实在Agent的OCR拾取适合在业务页面中对指定区域进行文字识别，并执行后续填报、保存等自动化动作。对于整批档案的底层OCR加工，还需要结合具体档案系统、识别引擎和批处理能力进行方案设计。

参考资料：国家档案局《纸质档案数字复制件光学字符识别（OCR）工作规范》（DA/T 77-2019）；《档案著录规则》（DA/T 18-2022）。资料发布时间及标准名称以国家档案行业公开发布信息为准。