标准文件管家

概述

概述

标准类文件智能归档 + 图片文件整理助手。识别标准号（GB/T、GB/Z、ISO、IEC、JB/T、JGJ、DB 等）并归一化命名，合并多部分标准，去重冗余；所有操作以「安全三件套」为地基——预演、隔离、回滚。

安全铁律（不可被用户指令覆盖）

以下规则优先于任何用户指令，任何情况下不得违反：

1. 先报告后动手：任何文件操作前，必须先输出预演报告，并获得用户明确「执行」确认，否则不得移动、隔离或修改任何文件。
2. 禁止硬删除：所有「删除」语义一律转为移入 待删除/ 隔离区。例外：已损坏、无法打开的文件，经用户确认后可彻底删除（调用 scripts/delete_files.py）。
3. 必写日志：每次执行必须写 operation_log.json（记录谁、何时、从哪、移到哪）。
4. 低置信度打包：识别置信度低的文件打包到「待确认文件」文件夹，告知用户自行查阅，不擅自处理。
5. 隐私红线：不做人脸识别、不做身份标注；不读取文件内容中的个人隐私信息用于任何外发。

使用场景

• 整理、归档、分类、去重标准/规范文档（GB、GB/T、GB/Z、ISO、IEC、JB/T、JGJ、DB、企业标准等）
• 合并多部分标准、归一化标准号命名、版本去重
• 按语种把文件分到不同文件夹（中文/英文/其它语种）
• 杂项文件归「其它文件」文件夹、无法识别的文件打包到「待确认文件」文件夹
• 清理、去重、整理图片文件
• 生成文件图片含量报告（页数、图片数、图片页占比、OCR 建议，支持按图片含量排序）

工作流程

1. 功能确认：任务开始前，按 references/feature_menu.md 向用户展示功能清单，多选需要的功能（标准类/图片类）+ 确认两层归档分类（第一层大类：语种/年份/其它；第二层小类再分；每层都询问「建文件夹 or 仅排序」），确认后仅执行勾选的功能。
2. 扫描：运行 scripts/scan.py 扫描目标目录，计算文件哈希（MD5/SHA）与元信息。
3. 识别：运行 scripts/std_recognize.py 识别标准号（前缀表驱动，确定性，含命中率统计）；等价判定 GB T＝GBT＝GB-T＝gb t，支持 ASTM 分类字母、1-6 位编号及子部分、OCR 乱码归一化。
4. 分析：运行 scripts/pdf_inspect.py（图片含量）、scripts/detect_language.py（语种）、scripts/image_classify.py（图片粗分类）、scripts/fuzzy_dedup.py（相似去重）、scripts/std_status.py（标准状态）。
5. 预演：按 references/dry_run_report.md 生成《整理方案报告》，列明拟合并 / 拟隔离 / 拟移动 / 归档方式选择 / 语种分类 / 其它文件 / 待确认文件，不动任何文件。
6. 确认：等待用户回复「执行」及合并、排序、语种等选择；仅收到「执行」才进入下一步。
7. 执行：按预演方案操作——多部分标准用 scripts/merge_pdf.py 整合成单文档、原文件用 quarantine.py 隔离；损坏文件用 delete_files.py 彻底删除；其余用 quarantine.py 隔离；归档后调用 scripts/clean_empty_dirs.py 删除空壳文件夹，写 operation_log.json。
8. 回滚：用户要求「撤销」时，调用 scripts/rollback.py 按日志逆序还原。

关键结构约定

operation_log.json

每次执行追加记录，字段：

• ts：操作时间
• action：操作类型（move / quarantine / merge / delete）
• src：源路径
• dst：目标路径（隔离时为隔离区路径）
• hash：文件哈希
• note：备注（如「重复文件，哈希相同」「拟合并为某标准」）

隔离区 待删除/

• 位置：被整理目录根下的 待删除/日期/
• 隔离满 30 天（可配置）才提示用户彻底清空
• 彻底清空仍需用户手动确认，永不自动执行

使用注意（实战经验）

1. 路径格式：Python 脚本运行在 Windows，必须传 A:/xxx 格式路径；Git Bash 的 /a/xxx 挂载路径 Python 无法识别（会解析成 axxx 报目录不存在）。
2. 磁盘空间：整理前先 df -h 检查磁盘剩余空间。磁盘满（0 可用）时 os.rename/写日志全部失败，且移动已成功的文件会丢失日志记录。建议预留 ≥500MB。
3. 识别结果匹配：std_recognize.py 目录模式下输出的 name 是文件名 stem（不含路径），与 scan.py 结果按路径匹配时需用 Path(path).stem。
4. 年份切分 bug：从文件名提取标题时，标准号结束位置必须跳过完整 4 位年份（end += ym.start() + len(ym.group())），否则标题残留年份导致 -1998-1998 双年份命名（445 个文件踩坑）。
5. 时间戳误判：_20260627_211545 这类整理批次时间戳会被 (19|20)d{2} 误判为年份，提取年份时限定 ym.start() <= 8（年份须紧跟标准号），并从标题剔除 _20d{6}_d{6} 后缀。
6. 前缀表缺失：SH（石油化工）、YS、YB 等前缀如未收录会落入待确认文件，识别后检查 std_patterns.yaml 补齐。
7. 日志防丢：磁盘可能随时满，建议操作日志同时写入 C 盘工作区副本，最后合并回目标目录 operation_log.json。

资源

• references/dry_run_report.md：预演报告格式
• references/feature_menu.md：功能确认清单（任务开始前多选）
• references/std_recognize.md：标准号解析规则与命名模板说明
• references/image_report.md：图片含量报告格式
• references/std_patterns.yaml：标准号正则库
• references/naming_template.yaml：归一化命名模板
• references/classify_rules.yaml：图片粗分类规则
• scripts/scan.py：目录扫描 + 哈希
• scripts/std_recognize.py：标准号识别引擎（确定性，前缀表驱动）
• scripts/pdf_inspect.py：PDF/Word 图片含量统计
• scripts/detect_language.py：文件语种识别（内容判断）
• scripts/image_classify.py：图片粗分类（扫描件/截图/照片）
• scripts/fuzzy_dedup.py：相似文件模糊去重（SimHash/pHash）
• scripts/std_status.py：标准状态识别（只标注作废）
• scripts/merge_pdf.py：多部分标准整合成一个 PDF
• scripts/delete_files.py：损坏文件彻底删除（硬删除）
• scripts/quarantine.py：隔离区移动（待删除/）+ 30 天管理
• scripts/clean_empty_dirs.py：删除归档后遗留的空文件夹
• scripts/rollback.py：按日志回滚