基于Node.js+DeepSeek打造一個智能檔案歸檔系統(tǒng)

更新時間：2026年01月09日 08:26:47 作者：winfredzhang

在?IT?工程交付、政府項目或大型企業(yè)管理中,資料歸檔往往是項目收尾階段最令人頭禿的環(huán)節(jié),本文過結合?Node.js?的文件處理能力與?DeepSeek?LLM（大語言模型）?的語義理解能力,我們構建了一套自動化歸檔系統(tǒng),需要的朋友可以參考下

1. 背景與痛點

在 IT 工程交付、政府項目或大型企業(yè)管理中，“資料歸檔” 往往是項目收尾階段最令人頭禿的環(huán)節(jié)。
C:\myApp\project-archive
場景通常是這樣的：

原始文件一團糟：你手里有一個幾百兆的文件夾，里面堆滿了 PDF、掃描件、Word 文檔，文件名五花八門（例如 2024-10-12 會議記錄_最終版.pdf）。
歸檔要求極嚴格：客戶給了你十幾個 Word 文檔（案卷目錄），每個文檔里有一個表格，規(guī)定了該案卷必須包含哪些文件，而且必須重命名為標準格式（例如 01-01 項目會議紀要.pdf）。
人工耗時極長：傳統(tǒng)的做法是人工逐個打開文件看內(nèi)容，然后去目錄里找對應項，重命名，拖進去……幾百個文件需要耗費數(shù)天，且極易出錯。

解決思路：
能不能寫個程序，讓它像人一樣“看懂”文件名，自動跟目錄里的標題配對？
答案是肯定的。通過結合 Node.js 的文件處理能力與 DeepSeek LLM（大語言模型） 的語義理解能力，我們構建了一套自動化歸檔系統(tǒng)。

2. 系統(tǒng)架構設計

為了確保工具在實際工程中落地（可用、穩(wěn)定、抗造），我們經(jīng)歷了從“全云端處理”到“本地+云端混合”的架構演進。

核心流程

輸入：用戶上傳多個“案卷目錄” Word 文件 (.docx)。
掃描：后端自動掃描本地磁盤的一個指定文件夾（存放所有雜亂的原始文件）。
解析：提取 Word 文檔中表格的“序號”和“標準題名”。
思考（AI Agent）：將“原始文件名列表”和“標準題名列表”發(fā)送給 DeepSeek API，讓 AI 進行模糊語義匹配。
執(zhí)行：根據(jù) AI 的匹配結果，自動復制文件、重命名、分類存放到對應文件夾。
生成：自動生成符合檔案局標準的“案卷封面”和“卷內(nèi)目錄” Word 文檔。
輸出：打包成 ZIP 供用戶下載。

技術棧

Runtime: Node.js (Express)
AI Engine: DeepSeek V3 (via API)
Word Process: mammoth (讀取內(nèi)容), docxtemplater (生成模版)
File System: fs-extra (增強的文件操作)

3. 核心代碼深度解析

讓我們通過分析 server.js 的關鍵邏輯，來看看這個系統(tǒng)是如何運轉(zhuǎn)的。

3.1 啟動自檢與目錄“防崩”設計

在早期的版本中，用戶經(jīng)常遇到 ENOENT 錯誤，原因是上傳目錄不存在。我們在系統(tǒng)啟動時加入了強制自檢：

// 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');

// 核心優(yōu)化：啟動即創(chuàng)建目錄，防止找不到文件夾報錯
fs.ensureDirSync(DOCX_UPLOAD_DIR);
fs.ensureDirSync(RAW_FILE_DIR);

設計意圖：利用 fs-extra 的 ensureDirSync，確保無論部署在什么環(huán)境，程序運行的第一秒，所有必要的基礎設施都已就緒。

3.2 解析 Word 表格（提取歸檔需求）

Word 文檔本質(zhì)是 XML，直接解析很痛苦。我們使用 mammoth 將 Word 轉(zhuǎn)為 HTML，再用 cheerio（類似 jQuery）提取表格數(shù)據(jù)。

// 解析目錄 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) => $(td).text().trim()).get();
    // 啟發(fā)式校驗：第一列是數(shù)字才認為是有效數(shù)據(jù)行
    if (cols.length >= 3 && /^\d+$/.test(cols[0])) {
        items.push({
            seq: cols[0],       // 序號
            title: cols[3],     // 題名 (這是我們要去匹配的目標)
            // ...其他元數(shù)據(jù)
        });
    }
});

設計意圖：這種方式比直接解析 XML 更具容錯性，即使 Word 表格格式稍微不規(guī)范，只要它是 HTML 表格結構，就能讀取。

3.3 AI 大腦：DeepSeek 語義匹配

這是本系統(tǒng)的靈魂。傳統(tǒng)的正則匹配（Regex）無法處理文件名差異（如“合同掃描件” vs “咨詢服務合同”）。而 LLM 天生擅長這個。

async function callDeepSeekMatcher(rawFiles, targetItems) {
    // Prompt 工程：明確任務、輸入和輸出格式
    const prompt = `
    任務：文件匹配。
    【原始文件名】: ${JSON.stringify(rawFiles)}
    【標準標題】: ${JSON.stringify(targetItems.map(t => ({ id: t.id, title: t.title })))}
    請根據(jù)語義將標準標題與原始文件名配對。
    要求：
    1. 忽略日期格式差異、版本號差異。
    2. 返回 JSON 格式: {"目標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" } // 強制 JSON 輸出
    }, ...);
    
    return JSON.parse(response.data.choices[0].message.content);
}

亮點：我們利用了 DeepSeek 的 json_object 模式，確保 AI 返回的不是閑聊，而是機器可讀的結構化數(shù)據(jù)。

3.4 自動化執(zhí)行與容錯

拿到 AI 的匹配結果后，Node.js 開始搬運文件。這里處理了幾個關鍵的工程問題：

文件缺失處理：如果 AI 沒找到文件，生成一個 .txt 占位符，提示人工后續(xù)補充。
非法字符清洗：Windows 文件名不支持 \ / : * ? " < > |，代碼中自動替換為下劃線。
格式強校驗：嚴厲拒絕老舊的 .doc 格式，避免解析器崩潰。

if (matchedName) {
    // 構造標準化文件名：01-01 標準題名.pdf
    const safeTitle = item.title.replace(/[\\/:*?"<>|]/g, '_');
    const finalName = `${volNum}-${seqNum} ${safeTitle}${ext}`;
    
    await fs.copy(srcFile.fullPath, path.join(targetFolder, finalName));
} else {
    // 優(yōu)雅降級：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. 踩坑與填坑記錄

在開發(fā)過程中，我們解決了幾類典型問題，這些經(jīng)驗非常寶貴：

4.1 ZIP 亂碼與上傳超時

問題：最初允許用戶上傳幾百兆的 ZIP 包。結果導致 Nginx 超時，且 Windows 上傳的 ZIP 解壓后中文全是亂碼（GBK vs UTF-8 問題）。
解決：改為**“本地目錄掃描模式”**。用戶只需將原始文件解壓到服務器指定目錄，網(wǎng)頁端只上傳輕量的 Word 目錄文件。既解決了亂碼，又秒傳秒開。