档案卷内目录与案卷目录批量生成：台账驱动的PDF/Excel自动化

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：

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（dtype=str这个参数就是干这个用的，别省）。

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。

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.docx

4.2 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：dtype=str防止件号和日期被自动转换，keep_default_na=False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", dtype=str, keep_default_na=False) 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", sort=True): 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(left=2.5, right=1.5, top=2.0, bottom=2.0) # 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 = f"A1: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", sort=True): 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", encoding="utf-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 1，8）。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：

1. 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。
2. 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。
3. 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。
4. 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()。
5. 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。