档案室里最不缺的就是重复劳动。一批案卷刚接收进来著录数据躺在表格里接下来要干的事往往是打开模板一卷一卷地复制粘贴题名手工敲件号调行高数页码打印发现页码算错改完重打装订完再翻一遍发现某卷漏了一件。我见过一个二十来卷的小批次两个人对着电脑耗了整整两天最后交上去的目录里还有三处页号衔接不上。真正让人崩溃的不是活多而是这类错误几乎全部由人手抄写这个动作本身带来——抄一遍就多一次出错机会抄两百遍就是两百次机会。这篇内容讲的就是把这件事交给机器用一张规范化的台账做数据底座通过脚本或模板批量导出卷内目录和案卷目录一次生成整批PDF和Excel版式统一、页码自动累加、件数与总页数自动汇总。适合正在做档案整理、迎检、移交的同行也适合手上有几百上千卷历史数据、想一次性把目录补齐的人。你不需要是程序员但最好能接受先在表格里把数据管住这个前提——后面所有的自动化都是建立在这一步之上的。1. 手工目录真正的成本在于返工而不是打字很多人评估工作量的时候只算了一卷目录有多少行、敲一行要几秒得出一下午能搞完的结论。实际做下来时间翻三倍多出来的部分全在返工上。要把这件事自动化第一步不是写代码而是搞清楚一份目录从数据到成品中间到底经过了几道手哪几道最容易出错。1.1 卷内目录与案卷目录的层级关系决定了它们不能共用一张表这两个东西经常被混为一谈但它们的统计口径完全不同。卷内目录以件为单位一行对应卷内一份文件核心字段是件号、责任者、文件题名、日期、页号、备注案卷目录以卷为单位一行对应一整卷核心字段是案卷号、档号、案卷题名、起止日期、保管期限、件数、页数、备注。关键在于案卷目录里的件数和页数理论上应该由卷内明细自动汇总得出而不是人工再数一遍。手工流程里最常见的错误就是这两处对不上——卷内明细有 17 件案卷目录写了 16 件卷内页号排到 132案卷目录填了 130。只要这两张表是分开手工填的就必然会出现偏差。所以我一直坚持一个原则卷内明细是唯一数据源案卷目录是它的聚合视图。想清楚这一点后面的自动化路线就顺了。一份完整的卷内目录通常会包含三层信息缺一层就不算合格层次内容常见缺失表头区单位名称、目录名称、档号、案卷题名、保管期限、起止日期只写了档号没写案卷题名表体区件号、责任者、文件题名、日期、页号、备注件号不补零、日期格式混乱表尾区本卷共X件、共X页、立卷人、检查人、立卷日期件数页数靠手填与表体不符1.2 三个高频返工点几乎每个批次都会踩中第一处是件号与页号的连续性。件号必须从 1 开始连号中间不能断页号则是每件占用一个区间后一件的起始页号必须等于前一件的起始页号加页数。手工做的时候改了一件的内容后面所有件的页号都要跟着挪改一次错一次。第二处是版式统一。一批案卷往往由不同的人分头做行高不一样、字体不一样、表头位置差两毫米。打印装订之后放在一起一眼就能看出来是拼凑的。而要统一版式如果靠人一个个调那基本等于重新做一遍。第三处是改一处、全批重来。单位名称变了、模板要加一列备注、保管期限的写法要调整——这类需求在整理过程中极其常见。手工模式下这意味着前面做好的全部作废重打而数据驱动模式下只需要改模板或改一个配置项重新跑一遍几分钟出全批。提醒一句返工成本是判断要不要上自动化的唯一标准。如果这批档案只有五六卷、以后也不会再有手工做完全合理但只要有几十卷以上、或者后续还有第二批第三批投入半天搭一套流程回报是成倍的。1.3 先把交付标准定下来再谈工具我在动手之前会先拿出一份成品样张把所有硬约束写死A4 纸、纵向还是横向、左边留多少装订线、表头字体字号、表体字体字号、页码位置、跨页时表头要不要重复。这份样张一旦定下来它就是唯一的验收标准后面所有自动化的目标就是批量复制这张样张。这一步看起来是在浪费时间实际上是在减少后面所有的争论。很多批次做到一半返工根本原因不是技术问题而是做到一半才发现上级要的格式跟我们现在做的不一样。样张定死之后工具选型、脚本结构、模板设计全部围绕它来反而简单了。2. 台账设计对了导出只是顺手的事自动化的效果上限由数据底座的干净程度决定。我见过太多人急着写脚本结果卡在日期列里既有 2023-05-01 又有 2023年5月1日还有 20230501这种事情上光清洗数据就耗掉了整个下午。所以我的建议是花七成时间在设计表结构和清洗数据上三成时间在导出上。2.1 档号的编码规则要一次定死档号是整个体系的骨架它决定了后面能不能按卷自动分组。常见结构是全宗号-目录号-案卷号用短横线连接各段位数固定。位数固定的意义在于排序——如果案卷号不补零排序结果会变成 1、10、100、11、12导出顺序全乱补成三位之后1 写作 001排序就正常了。同样的道理适用于件号。件号建议统一补零到三位甚至在写进目录之前就存成三位字符串。这里有个小坑如果让 Excel 把它当数字存前面的零会被吃掉导出来又变成 1、2、3。解决方式是整列设成文本格式再录入或者在脚本里读入时强制按字符串处理dtypestr这个参数就是干这个用的别省。字段建议类型规则说明档号文本全宗号-目录号-案卷号各段定长件号文本三位补零001、002……同卷内连续责任者文本多责任者用分号分隔不用顿号文件题名文本去掉首尾空格和换行符日期文本YYYY-MM-DD统一八位或十位格式页数整数只填数字不带页字页号文本存起止页或起始页页数二选一不能混2.2 主表加明细表用档号做关联最稳的结构是两张表一张案卷主表一卷一行存档号、案卷题名、保管期限、起止日期、立卷人这些卷级信息一张卷内明细表一件一行存档号、件号、责任者、文件题名、日期、页数、页号、备注。两张表通过档号关联。这样设计的好处是卷级信息只维护一份不会出现同一卷在两个地方题名不一致而卷内明细可以无限追加件数和总页数由程序聚合永远和明细对得上。导出案卷目录时程序按档号分组对明细表做count和sum直接把结果填进案卷目录人完全不用碰数字。2.3 清洗脏数据的三类必做动作第一类是空白与不可见字符。从别处复制过来的题名里经常混着全角空格、不间断空格、换行符这些字符在 Excel 里看不出来导出到 PDF 就会导致莫名其妙的换行或错位。处理方式很粗暴读入之后对整个文本列做一次去首尾空白、替换所有空白类字符。第二类是数字被识别成日期。像 1-2 这种页号写法表格软件可能自作主张转成 1月2日。这属于录入环节的问题最好的办法是录入前把整列设成文本已经出问题的只能逐条核对没有捷径。第三类是合并单元格。这是最麻烦的一种因为合并之后只有左上角那个格子有值其余是空的。程序读进来就会看到一堆空值。我的做法是台账里永远不合并单元格需要视觉上分组的地方靠重复填写或者排序来解决。展示用的合并放到导出环节去做。3. 三条导出路线先看批量再选工具同样是一键导出实际有三条完全不同的路子适用场景差别很大。选错了不是做不出来而是做到一半发现维护不动。3.1 路线一Excel 模板加工 办公软件的批量合并这条路子最容易被非技术岗接受先在表格软件里做好一个漂亮的模板页把数据源另存为一张清单然后用文字处理软件的邮件合并功能按档号逐条生成。它不需要写任何代码全程鼠标操作。优点是门槛极低、版式所见即所得、改模板不用改程序。缺点也很明显批量大了会卡几百卷的时候每生成一卷都要等更重要的是它只能做一条记录生成一页处理不了一卷有多件、每卷件数不同这种一对多的分页结构。所以它适合的场景是卷数不多且每卷件数固定、结构简单。3.2 路线二脚本读取台账批量生成 PDF 与 Excel这是我目前主推的方案。核心逻辑是脚本读入明细表按档号分组对每一组生成一份文档最后统一转成 PDF。件数多少、页号怎么排、总页数怎么算全部由代码控制天然不会错。它的成本在于需要一点环境准备和代码基础但代码量其实不大——核心逻辑一百多行就能跑通后面我会把关键部分拆开讲。收益是可维护性以后换模板、加字段、改命名规则改几行就行不用重做。3.3 路线三现成系统自带的导出再做二次加工如果单位已经在用档案管理软件通常自带目录打印功能。这条路省事但可定制性差版式往往是固定的想加一列备注或者调整页边距基本没戏。常见的折中做法是——从系统里把数据导成 Excel再用路线一或路线二加工。这也是我推荐的做法数据从系统出版式自己控。维度模板合并脚本生成系统直出上手门槛低中最低几十卷耗时半小时以上一两分钟视系统而定版式可控性高很高低一对多分页支持差好一般后期维护改模板即可改代码无法改一个现实建议不要一上来就追求全自动。先用手工方式做出一卷完美的样张再用脚本去复制它。很多人反着来先写脚本再调版式最后调版式的时间比写脚本还长。4. 脚本走位从一张台账到一整批分卷 PDF下面这套流程我在几个批次上跑过逻辑稳定。核心就三步读数据、按档号切卷、逐卷生成并转 PDF。中间所有的坑基本都在切卷和版式这两处。4.1 环境与依赖需要的东西不多Python 环境加三个库——pandas负责读表和分组openpyxl负责写 Excel 并设置打印版式python-docx负责往 Word 模板里填内容。最后转 PDF 这一步调用本地办公套件的命令行转换功能即可不需要额外装什么重型组件。pip install pandas openpyxl python-docx转换命令大致是这样Windows 和 Linux 下路径不同但参数一致soffice --headless --convert-to pdf --outdir ./输出目录 ./中间文件/某某档号.docx4.2 按档号切卷一行 groupby 解决分组读表的时候有两个参数必须带上dtypestr防止件号和日期被自动转换keep_default_naFalse防止空值变成NaN混进文本里。import pandas as pd df pd.read_excel(卷内台账.xlsx, sheet_name明细, dtypestr, keep_default_naFalse) df[件号] df[件号].str.zfill(3) # 件号统一三位 df[件号序] df[件号].astype(int) # 用于按数值排序 df df.sort_values([档号, 件号序]) # 先按卷、再按件号排 for 档号, 卷 in df.groupby(档号, sortTrue): 生成单卷目录(档号, 卷)这段代码里最容易忽略的是排序。如果直接按字符串排件号010会排在009后面没问题但如果有的批次件号没补零10就会排到2前面。所以补零和数值排序这两步都不能省。4.3 卷内目录的版式用 openpyxl 精确控制版式这件事靠手工调是调不完的必须写死在代码里。下面这段是核心设置把纸张、页边距、打印区域、跨页重复表头一次性定好from openpyxl import Workbook from openpyxl.worksheet.page import PageMargins wb Workbook() ws wb.active ws.page_setup.paperSize ws.PAPERSIZE_A4 ws.page_setup.orientation portrait ws.page_margins PageMargins(left2.5, right1.5, top2.0, bottom2.0) # 左2.5cm留装订线 ws.print_title_rows 5:5 # 第5行是表体表头跨页自动重复 ws.print_area fA1:F{最后一行} # 只打印有内容的区域左边留 2.5 厘米不是随便定的三孔一线装订孔位距离左边缘大概 1.2 到 1.5 厘米装订线和孔之间还要留出翻页空间。如果左边只留 1.5 厘米装订完之后靠近书脊的那几列字会被压住翻都翻不开。这是装订完之后才会暴露的问题返工代价极高。4.4 Word 模板加占位符比纯代码排版更省心完全用代码画表格也能做但维护起来痛苦——改个字体要动代码。更实际的做法是让熟悉档案格式的人在 Word 里做好一份模板表头表尾写死正文表格留一行占位用{{件号}}、{{文件题名}}这类标记占位脚本只负责填。from docx import Document def 生成单卷目录(档号, 卷): doc Document(卷内目录模板.docx) # 先把表头区的占位符替换掉 替换段落占位符(doc, { {{档号}}: 档号, {{案卷题名}}: 卷.iloc[0][案卷题名], {{件数}}: str(len(卷)), {{总页数}}: str(卷[页数].astype(int).sum()), }) # 再按明细逐行填表体 for _, 行 in 卷.iterrows(): 新增表格行(doc.tables[0], 行) doc.save(f./中间文件/{安全文件名(档号)}.docx)这里有两点要注意。一是表头区的件数和总页数必须由程序算不要从台账里读台账里那个数字往往是人工填的、早就过时了。二是文件名要做安全处理档号里如果有斜杠、冒号、星号这些字符保存会直接报错题名里带书名号、引号的也一样统一替换成下划线最稳妥。4.5 批量跑批时的日志与失败隔离一次跑几百卷中途挂掉是常事——某个模型文件被占用、某条数据缺字段、某个题名超长导致排版异常。如果脚本一遇错就整个退出前面的工作全白费。所以主循环里必须加异常捕获失败清单 [] for 档号, 卷 in df.groupby(档号, sortTrue): try: 生成单卷目录(档号, 卷) except Exception as e: 失败清单.append((档号, str(e))) with open(导出日志.txt, w, encodingutf-8) as f: for 档号, 原因 in 失败清单: f.write(f{档号}\t{原因}\n)跑完之后先看日志通常会发现失败的那几卷有共性问题——比如都缺案卷题名或者档号里都有特殊字符。修完重跑只跑失败的就行。这个习惯能省下大量重复等待的时间。5. 版式、打印与装订决定成品能不能交出去脚本能生成文件不代表生成的东西能交。档案目录这种材料最终要落到纸面上、装进档案盒、被检查人员一页页翻。有几个细节代码层面不写、事后一定会后悔。5.1 纵向还是横向看题名长度A4 纵向是默认选择一行能放下大约三十个汉字超过就得换行。如果这批档案的文件题名普遍很长比如会议文件、技术报告纵向排版就会导致大量折行一卷目录印出来七八页既难看又费纸。这种情况我一般改成横向一行能放下四十多个字行数压下来页数也跟着压下来。判断方法很简单拿台账里最长的那条题名量一下字数超过 25 个字的比例如果占到三成以上就考虑横向。改横向只需要在代码里把orientation改成landscape同时把页边距的左右值对调一下。5.2 页码、表头重复与共几页跨页时的表头重复前面已经用print_title_rows解决了这一条几乎是成品合格与否的分水岭。没有重复表头的目录翻到第二页就不知道哪一列是页号哪一列是备注检查的时候非常难受。页码的处理有两种思路一种是在页脚放第 X 页这个 openpyxl 不直接支持需要在 Word 模板里设置另一种更省事——整批用同一个页脚靠打印顺序自然排。我倾向后者因为每卷单独编号反而容易乱。表尾的本卷共 X 件、共 Y 页必须由程序算而且要放在表格之外、单独一行避免被print_area截断。这里有个小细节print_area一定要设到最后一行如果设小了最后那行本卷共X件会被裁掉打印出来就剩半页。5.3 打印装订的操作顺序批量打印最忌讳卷卷一页页点打印。正确做法是把输出目录里的 PDF 按档号顺序排好合并成一个文件一次性提交打印任务。合并的好处是打印顺序天然正确中间不会漏卷也不会出现两次打印同一卷的情况。纸张建议用 80 克以上的70 克的纸双面打印容易透墨翻页时字迹糊在一起。双面还是单面看装订方式三孔一线装订的单面更稳妥因为双面的话反面内容会紧贴装订线一侧如果用夹条或者塑料封套双面完全可以。装订前一定要干一件事按顺序把整批目录快速翻一遍重点看每卷的最后一行是不是本卷共X件。这个动作两分钟能挡掉绝大多数漏页问题。6. 踩过的坑与交付前的自检清单写了这么多真正让我加班的从来不是代码写不出来而是导出的文件看起来对、其实不对。下面这几条都是实际踩出来的。6.1 合并单元格带来的错位早期我在模板里把表头做了合并——单位名称横跨六列居中。结果导出时内容确实居中了但程序读回模板、往表格里填数据时列索引全部偏移件号填到了责任者那一列。结论是模板的表头区可以合并但表体区的表头绝对不能合并一旦合并列就再也对不上了。如果非要视觉分组用加粗边框来区分比合并安全得多。6.2 日期和页号在导出后变形台账里写2023-5-1导出后变成2023/5/1写1-2导出成1月2日。这类问题全部源于表格软件自作主张。根治办法是录入时把列设为文本格式已经污染的在脚本里统一做一次格式化把日期强制转成YYYY-MM-DD的字符串再写进文档不让任何工具再做二次解释。页号还有一种情况有的卷用起止页如 1-8有的用起始页页数如 18。两种混在一批里总页数就永远算不对。一批档案里只能选一种口径写进规范别兼容。6.3 排查链路总页数对不上时怎么定位这是最典型的问题我把当时的排查顺序记下来可以照着走先核对单卷打开某一卷的明细手工加一遍页数跟表尾的共Y页比。如果单卷就错问题在计算逻辑如果单卷对、整批错问题在循环。检查空值页数列为空的行会被sum()跳过但不会被count()跳过导致件数对、页数少。这是最常见的原因用df[页数].isna().sum()一秒定位。检查重复行从系统导出数据时偶尔会有重复记录件数虚高。按档号件号去重再看。检查分组键档号里如果有多余的空格比如A-01-001后面带个空格会被分成两组两组各算各的总数自然不对。分组前先对所有档号做一次strip()。最后才怀疑代码跑一遍打印把每组的件数页数输出到日志跟目录对照差异立刻现形。这套顺序的价值在于永远先怀疑数据再怀疑代码。我经手的问题里八成以上是数据本身的问题。6.4 交付前的四项硬校验导出完成后不要急着打印先跑四个检查全部通过再进入打印环节件号连续每卷的件号从 001 开始逐个加一不能跳号。用脚本遍历一遍输出断号位置。页号衔接后一件的起始页号 前一件的起始页号 前一件页数。这个用累加校验一次就能发现哪里断了。件数页数一致表尾的共X件共Y页必须等于明细聚合结果这条是自动生成的理论上不会错但要确认没有被模板里的旧占位符覆盖。抽检对照随机抽五卷把导出的目录和实体档案逐件对照。抽检不是形式主义它能发现数据本身就录错了这类自动化救不了的问题——比如原件题名和台账里写的根本不是一个文件。抽检这一步我通常会专门挑题名最长、件数最多、日期跨年度的卷这些是最容易出问题的地方。抽完没问题整批基本就稳了。我个人在这件事上的体会是自动化的价值不在于省下打字的时间而在于把校验从靠人眼变成靠规则。人眼盯两百行会疲劳规则盯两万行不会。所以真正值得投入精力的地方是把什么样的目录算合格这件事写清楚——写清楚了代码只是把它翻译一遍而已。至于模板怎么排更好看、打印怎么装订更省事这些细节每个单位都有自己的习惯多试两批就摸出来了。