基于Node.js+DeepSeek打造一个智能档案归档系统

1. 背景与痛点

在 IT 工程交付、政府项目或大型企业管理中，“资料归档” 往往是项目收尾阶段最令人头秃的环节。
C:\myApp\project-archive
场景通常是这样的：

1. 原始文件一团糟：你手里有一个几百兆的文件夹，里面堆满了 PDF、扫描件、Word 文档，文件名五花八门（例如 2024-10-12 会议记录_最终版.pdf）。
2. 归档要求极严格：客户给了你十几个 Word 文档（案卷目录），每个文档里有一个表格，规定了该案卷必须包含哪些文件，而且必须重命名为标准格式（例如 01-01 项目会议纪要.pdf）。
3. 人工耗时极长：传统的做法是人工逐个打开文件看内容，然后去目录里找对应项，重命名，拖进去……几百个文件需要耗费数天，且极易出错。

解决思路：
能不能写个程序，让它像人一样“看懂”文件名，自动跟目录里的标题配对？
答案是肯定的。通过结合 Node.js 的文件处理能力与 DeepSeek LLM（大语言模型） 的语义理解能力，我们构建了一套自动化归档系统。

2. 系统架构设计

为了确保工具在实际工程中落地（可用、稳定、抗造），我们经历了从“全云端处理”到“本地+云端混合”的架构演进。

核心流程

1. 输入：用户上传多个“案卷目录” Word 文件 (.docx)。
2. 扫描：后端自动扫描本地磁盘的一个指定文件夹（存放所有杂乱的原始文件）。
3. 解析：提取 Word 文档中表格的“序号”和“标准题名”。
4. 思考（AI Agent）：将“原始文件名列表”和“标准题名列表”发送给 DeepSeek API，让 AI 进行模糊语义匹配。
5. 执行：根据 AI 的匹配结果，自动复制文件、重命名、分类存放到对应文件夹。
6. 生成：自动生成符合档案 局标准的“案卷封面”和“卷内目录” Word 文档。
7. 输出：打包成 ZIP 供用户下载。

技术栈

• Runtime: Node.js (Express)
• AI Engine: DeepSeek V3 (via API)
• Word Process: mammoth (读取内容), docxtemplater (生成模版)
• File System: fs-extra (增强的文件操作)

3. 核心代码深度解析

让我们通过分析 server.js 的关键逻辑，来看看这个系统是如何运转的。

3.1 启动自检与目录“防崩”设计

在早期的版本中，用户经常遇到 ENOENT 错误，原因是上传目录不存在。我们在系统启动时加入了强制自检：

// server.js 片段
const BASE_UPLOAD_DIR = path.join(__dirname, 'uploads');
const DOCX_UPLOAD_DIR = path.join(BASE_UPLOAD_DIR, 'docx_temp');
const RAW_FILE_DIR = path.join(BASE_UPLOAD_DIR, 'temp');

// 核心优化：启动即创建目录，防止找不到文件夹报错
fs.ensureDirSync(DOCX_UPLOAD_DIR);
fs.ensureDirSync(RAW_FILE_DIR);

设计意图：利用 fs-extra 的 ensureDirSync，确保无论部署在什么环境，程序运行的第一秒，所有必要的基础设施都已就绪。

3.2 解析 Word 表格（提取归档需求）

Word 文档本质是 XML，直接解析很痛苦。我们使用 mammoth 将 Word 转为 HTML，再用 cheerio（类似 jQuery）提取表格数据。

// 解析目录 DOCX
const { value: html } = await mammoth.convertToHtml({ path: docFile.path });
const $ = cheerio.load(html);

$('table tr').each((i, elem) => {
    // 提取表格列
    const cols = $(elem).find('td').map((j, td) => $(td).text().trim()).get();
    // 启发式校验：第一列是数字才认为是有效数据行
    if (cols.length >= 3 && /^\d+$/.test(cols[0])) {
        items.push({
            seq: cols[0],       // 序号
            title: cols[3],     // 题名 (这是我们要去匹配的目标)
            // ...其他元数据
        });
    }
});

设计意图：这种方式比直接解析 XML 更具容错性，即使 Word 表格格式稍微不规范，只要它是 HTML 表格结构，就能读取。

3.3 AI 大脑：DeepSeek 语义匹配

这是本系统的灵魂。传统的正则匹配（Regex）无法处理文件名差异（如“合同扫描件” vs “咨询服务合同”）。而 LLM 天生擅长这个。

async function callDeepSeekMatcher(rawFiles, targetItems) {
    // Prompt 工程：明确任务、输入和输出格式
    const prompt = `
    任务：文件匹配。
    【原始文件名】: ${JSON.stringify(rawFiles)}
    【标准标题】: ${JSON.stringify(targetItems.map(t => ({ id: t.id, title: t.title })))}
    请根据语义将标准标题与原始文件名配对。
    要求：
    1. 忽略日期格式差异、版本号差异。
    2. 返回 JSON 格式: {"目标ID": "原始文件名"}。
    `;
    
    const response = await axios.post(DEEPSEEK_API_URL, {
        model: "deepseek-chat", 
        messages: [{ role: "user", content: prompt }],
        response_format: { type: "json_object" } // 强制 JSON 输出
    }, ...);
    
    return JSON.parse(response.data.choices[0].message.content);
}

亮点：我们利用了 DeepSeek 的 json_object 模式，确保 AI 返回的不是闲聊，而是机器可读的结构化数据。

3.4 自动化执行与容错

拿到 AI 的匹配结果后，Node.js 开始搬运文件。这里处理了几个关键的工程问题：

1. 文件缺失处理：如果 AI 没找到文件，生成一个 .txt 占位符，提示人工后续补充。
2. 非法字符清洗：Windows 文件名不支持 \ / : * ? " < > |，代码中自动替换为下划线。
3. 格式强校验：严厉拒绝老旧的 .doc 格式，避免解析器崩溃。

if (matchedName) {
    // 构造标准化文件名：01-01 标准题名.pdf
    const safeTitle = item.title.replace(/[\\/:*?"<>|]/g, '_');
    const finalName = `${volNum}-${seqNum} ${safeTitle}${ext}`;
    
    await fs.copy(srcFile.fullPath, path.join(targetFolder, finalName));
} else {
    // 优雅降级：生成缺失提示文件
    await fs.writeFile(path.join(targetFolder, `【缺失】${item.title}.txt`), "AI未找到匹配文件");
}

4. 踩坑与填坑记录

在开发过程中，我们解决了几类典型问题，这些经验非常宝贵：

4.1 ZIP 乱码与上传超时

• 问题：最初允许用户上传几百兆的 ZIP 包。结果导致 Nginx 超时，且 Windows 上传的 ZIP 解压后中文全是乱码（GBK vs UTF-8 问题）。
• 解决：改为**“本地目录扫描模式”**。用户只需将原始文件解压到服务器指定目录，网页端只上传轻量的 Word 目录文件。既解决了乱码，又秒传秒开。

4.2 .doc vs .docx 的噩梦

• 问题：用户上传了老版本的 .doc 文件，后端报错 Can't find end of central directory。
• 原因：.doc 是二进制文件，.docx 是 ZIP 包。Node.js 的现代库大多只支持 ZIP 结构的 Office 文档。
• 解决：在后端增加严格的文件扩展名校验，遇到 .doc 直接抛出友好的错误提示，要求用户另存为 .docx。

4.3 临时文件夹丢失 (ENOENT)

• 问题：multer 不会自动创建上传目录，导致首次运行直接崩溃。
• 解决：引入 fs.ensureDirSync，在应用启动层解决环境依赖。

5. 运行界面

以上就是基于Node.js+DeepSeek打造一个智能档案归档系统的详细内容，更多关于Node.js DeepSeek档案归档的资料请关注脚本之家其它相关文章！

最新评论