保姆级实战：用 WorkBuddy 把 24 份乱名扫描件做成 153 页资料册（附 5 个必踩坑）

24 份乱名扫描件 → 153 页质量资料册：WorkBuddy 保姆级归档实战（附 5 个必踩坑）

用 WorkBuddy 完成一次真实的工程资料归档：从 24 份文件名全是流水号的扫描件，到一册 153 页、带封面和目录的质量资料。全程记录方法、代码和踩过的坑。

标签：#WorkBuddy#

目录

• 一、这件事为什么值得自动化
• 二、实战：五步走完全流程
  • 第 1 步：让"不可读"的扫描件变得可读
  • 第 2 步：建立「明细 ↔ 扫描件」映射
  • 第 3 步：数量勾稽（最值得做的一步）
  • 第 4 步：按序号合并与重命名
  • 第 5 步：目录页回填与成册
• 三、5 个必踩的坑
• 四、最终成果
• 五、可复用检查清单

一、这件事为什么值得自动化

制造企业交付成套设备时，随产品提交的质量证明文件是多方来源的汇总物：外购件合格证、外协件质量证明、内部过程检验记录、装配记录、出厂检查报告。

纸质件扫描之后，得到的是一堆文件名毫无规律、内容无法检索的图像型 PDF：

doc05419720261012154222.pdf doc05419820261012154251.pdf doc05419920261012154323.pdf ...

人工按目录逐份核对、排序、合并、编页码，既费时又极易错漏。本次任务的对象是一个成套液压系统项目：

任务过程中又追加了 5 份过程记录扫描件、1 份出厂检查报告、2 个工作表的目录页，最终形成 153 页资料册。

二、实战：五步走完全流程

第 1 步：让"不可读"的扫描件变得可读

扫描件是纯图像、无文本层，常规文本提取直接返回空字符串。思路是先转成图，再交给视觉识别：

1. 用 PDF 渲染库把每一页渲染为位图；
2. 缩略到统一宽度（约 640 px），拼成 2 列 × 3 行的版式；
3. 每个单元格上方压一条标签，写明「全局页码 + 源文件 + 文件内页序」；
4. 交视觉识别，逐页判定它属于明细中的哪一类。

import pypdfium2 as pdfium
from PIL import Image, ImageDraw, ImageFont

doc = pdfium.PdfDocument("scan.pdf")
img = doc[0].render(scale=2.2).to_pil().convert("RGB")
W = 640
img = img.resize((W, int(img.height * W / img.width)), Image.LANCZOS)
img.save("page_01.png")

关键取舍：默认缩略图只够看清标题。遇到"一张纸上贴十几张小合格证"的密集页，要单独按 3 倍比例重渲染至 1500 px 宽，才能辨认小字与厂家标识。

为什么不用 OCR：本地 OCR 需要额外装模型，中文小字与印章的辨识效果反而更差；渲染拼版 + 视觉识别零依赖、更准。

第 2 步：建立「明细 ↔ 扫描件」映射

明细表给了 15 类条目，扫描件却有 24 份 —— 数量对不上，说明存在"一类条目对应多份扫描件"的情况。

逐页识别后得到三种典型形态：

第 3 步：数量勾稽（最值得做的一步）

重命名之前，先做一次独立的总量校验：把明细表里每一类声明的份数，与逐页清点出来的实际张数逐条比对。

结果全部吻合，其中两类很能说明问题：

• 某类声明「数十份」，实际是 16+16+16+16+11 = 75 张，分装在 5 个扫描文件里；
• 另一类声明「若干份」，实际是 9 张 + 1 张，跨了两个扫描文件。

为什么这一步值得单独做：如果直接按顺序改名而不校验数量，一旦扫描时漏扫一张或重复扫一张，错误会被"整齐的重命名"掩盖过去，后面几乎不可能发现。先勾稽，等于给整个归档上了第一道保险。

第 4 步：按序号合并与重命名

命名规则：{两位序号} {明细名称}（{厂家}）.pdf，同一条目下的多份扫描件合并为一个 PDF。

from pypdf import PdfReader, PdfWriter

wr = PdfWriter()
for src in ["a.pdf", "b.pdf", "c.pdf"]:
    for page in PdfReader(src).pages:
        wr.add_page(page)
with open("01 合格证（某公司）.pdf", "wb") as f:
    wr.write(f)

合并完成后：

• 原始文件不删除，整体移入备份子目录（可随时回退）；
• 输出「重命名对照表」CSV（新文件名 ↔ 合并前源文件 ↔ 合并后页数）。

第 5 步：目录页回填与成册

明细表里的清单是"活的"，而资料册里的目录还停留在纸质表格阶段。于是把明细表的两个工作表回填成 PDF 并入册：

• 工作表 A（封面型）：企业名 + 项目名 + 项目编号 + 「总目录」+ 日期；
• 工作表 B（清单型）：序号 / 名称 / 厂家 / 数量 四列。

最终成册结构：

P1 封面（由工作表 A 导出） P2 质量数据目录（由工作表 B 导出，共 20 条） P3 ~ P152 正文：序号 01~19 的全部证明与记录 P153 序号 20：出厂检查报告

把目录页放进同一册，而不是让目录和正文分离，是这次一个明显的改进：拿到册子的人翻第一页就知道里面有什么、共几页。

三、5 个必踩的坑

坑 1：含图片的 xlsx 不能"整体重存"

要往明细表里追加行。常规做法是「读 → 写回」，但该工作簿里嵌有图片（每个工作表一张企业 logo）。

用常规库整体重存，图片与打印设置会丢失 —— 文件能打开、数据也对，但图片没了，而且往往过几天才发现。

正确做法：外科式改包。 把 xlsx 当作 zip，只重写需要变的部件：

# 只重写 worksheet XML 与 sharedStrings.xml
# 其余部件字节级原样搬运，连目录项与压缩元数据一起复刻
zout = zipfile.ZipFile(tmp, "w", zipfile.ZIP_DEFLATED)
for info in zin.infolist():
    zi = zipfile.ZipInfo(info.filename, date_time=info.date_time)
    zi.compress_type = info.compress_type
    zi.external_attr = info.external_attr
    zout.writestr(zi, b"" if info.is_dir() else blobs[info.filename])

坑 2：样式索引会"漂移"（最坑的一个）

第一次追加行时按之前记录的样式编号写入，结果新行字号变大、没有边框、文字不换行、跑到表格外面去了。

根因：期间文件被用 Excel 手工打开并保存过。Excel 重存会重排样式表 —— 样式总数从 12 变成 16，所有样式编号整体位移。

# ❌ 错误：硬编码样式编号
'<c r="B25" s="10" t="s"><v>54</v></c>'

# ✅ 正确：从相邻行现场提取
smap = dict(re.findall(r'<c r="([A-D])24" s="(\d+)"', row24_xml))
'<c r="B25" s="{}" t="s"><v>54</v></c>'.format(smap['B'])

这个坑还有个副作用：它把我引向了错误方向 —— 我以为是"分页裁切/缩放不当"，在页面设置上反复调整，白费了好几轮。看到"新加的行样式异常"，第一反应应该是查样式索引，而不是查排版。

坑 3：FitToPage 不生效

把工作表导出成 PDF 时，想用"缩放以适应一页"保证表格落在一页内，但设置后没有生效 —— 读回缩放比例仍是 100%，工作表仍被判定为跨页。

解决办法：改用固定缩放比例。先读出工作表实际内容高度（约 974 pt），A4 纸高 841.9 pt，扣除边距可用约 800 pt，据此把缩放定在 72%，一次成功。

ws.PageSetup.PrintArea = 'A1:D25'
ws.PageSetup.Zoom = 72          # 固定缩放，别用 FitToPage
ws.ExportAsFixedFormat(0, out)  # 0 = xlTypePDF

验证方法：导出后不要只看页数，还要用 PDF 文本定位接口搜索关键行文字，取出坐标框 —— 确认它落在页面矩形内，才算真的没被裁掉。

坑 4：文件名里的非法字符

期望的文件名里含一个半角星号。实测：半角 * 在 Windows 文件名中非法，直接抛权限错误；全角 ＊、乘号 ×、连字符 - 都可以。

这条看似琐碎，但一旦没测就写进脚本，会在最后一步整体失败。

坑 5：混入的其他项目文件

追加的扫描件里，有一份文件名与其余高度相似，但内容中的"用户名称"字段指向的是另一个客户。

判定依据：不看文件名，看单据内的"用户名称/项目名称"字段。文件名可以随手起，单据内的字段是业务事实。

四、最终成果

五、可复用检查清单

归档前

• 扫描件是否含文本层？（不含 → 走渲染 + 视觉识别路线）
• 明细表的条目数与扫描件数是否一致？（不一致 → 先建映射）
• 每一类声明的份数，能否与实际清点数逐条勾稽？
• 文件名中的"用户名称"字段是否与本项目一致？

处理中

• 目标文件是否含图片/图表/打印设置？（含 → 禁止整体重存）
• 追加行之前，是否从相邻行现场提取了样式编号？
• 合并后是否输出了「新名 ↔ 源文件 ↔ 页数」对照表？
• 原始文件是否已备份而非删除？

交付前

• 目录页是否已并入成册，而不是单独一份？
• 全册页码分段是否正确？
• 表格导出的 PDF，关键行是否真的落在页面内（用坐标验证）？
• 成品文件名是否做过非法字符测试？

小结

这类任务的难点从来不是"写代码"，而是判断在哪一步做校验、在哪里会被数据的"隐性变化"坑到。

5 个坑里，坑 2（样式索引漂移）和坑 5（混入他项目文件）最隐蔽 —— 前者让你以为是排版问题，后者让你以为是命名问题，而真正的原因是数据本身。

如果你也在做工程资料或审核材料的归档，希望这份实录能帮你少走两轮弯路。

#WorkBuddy#