Archive Ip Pdfs

知识产权官文自动归档技能

功能概述

本技能用于批量处理知识产权官文 PDF 文件，自动完成以下工作：

1. PDF 解析与归档：扫描指定目录中的 PDF 文件，识别文件类型（专利/商标/软著），提取关键字段（申请号、通知书名称、权利人等），按命名规则重命名并归档到组织化目录结构中
2. 文件路径同步：根据标识号、法律状态、当前权利人等信息，将归档文件重新组织到更清晰的目录结构中
3. 汇总报表生成：基于归档数据生成汇总报表，每个知识产权仅保留一条最新状态记录

调用指令

使用 subagent 执行以下命令（工作目录设为 SKILL.md 所在目录）：

python -m scripts.run_archive --input <目标文件夹> [--output <输出文件夹>]

参数说明

Agent 操作步骤

1. 确认用户提供了目标文件夹路径（--input 参数）
2. 若用户未指定输出路径，使用默认值（无需传 --output）
3. Python 环境检测（关键步骤，必须在执行归档命令前完成）： a. 先执行 where.exe python 查找系统中的 Python 可执行文件 b. 注意：Windows 系统中 C:\Users\...\AppData\Local\Microsoft\WindowsApps\python.exe 是 Windows Store 重定向程序，不能用于执行脚本，必须跳过 c. 选取非 WindowsApps 路径下的 Python（如 C:\Users\...\AppData\Local\Python\bin\python.exe），使用完整路径调用 d. 执行 <Python路径> -c "import pdfplumber; print('OK')" 验证 pdfplumber 可用；若不可用则执行 <Python路径> -m pip install pdfplumber pymupdf PyPDF2
4. 将工作目录设为 SKILL.md 所在目录，使用步骤 3 中确认的 Python 完整路径调用 subagent 执行归档命令
5. 将脚本输出的汇总报告展示给用户

系统架构

系统由以下核心模块组成，按执行顺序协同工作：

scripts/
├── __init__.py          # 包初始化，声明模块列表
├── __main__.py          # 包入口，支持 python -m scripts 运行
├── config.py            # 全局配置（目录路径、CSV列定义）
├── csv_manager.py       # CSV 文件增删改查操作
├── pdf_parser.py        # PDF 文本提取与字段解析（核心模块）
├── legal_status.py      # 法律状态判定与更新
├── main.py              # 系统入口（调度三个核心脚本）
├── run_archive.py       # CLI 入口（支持命令行参数）
├── script1_process.py   # 脚本1：扫描处理（PDF解析→归档→写入CSV）
├── script2_sync.py      # 脚本2：文件路径同步（按标识号重组目录结构）
└── script3_report.py    # 脚本3：报表生成（汇总最新状态）

执行流程

输入PDF文件 → 脚本1(解析归档) → 脚本2(路径同步) → 脚本3(报表生成) → 输出结果
     │              │                  │                  │
     │              ├─ PDF文本提取      ├─ 计算目标路径     ├─ 专利报表
     │              ├─ 类型识别         ├─ 文件移动         ├─ 商标报表
     │              ├─ 字段解析         ├─ 路径更新         └─ 软著报表
     │              ├─ 幂等性检查       └─ 空目录清理
     │              ├─ 文件复制重命名
     │              ├─ CSV记录写入
     │              └─ 法律状态更新
     └─ 失败文件 → failed/ 目录

核心模块说明

pdf_parser.py — PDF 解析模块

• 支持三种 PDF 引擎：pdfplumber（优先）→ PyMuPDF(fitz) → PyPDF2（降级）
• 识别三大主类型：专利文件、商标文件、软著文件
• 识别八种子类型：专利通知书、专利证书、专利登记簿副本、商标通知书、商标注册证、商标注册申请书、软著受理通知书、软著证书
• 按命名模板生成规范化文件名

legal_status.py — 法律状态判定模块

• 专利法律状态四级优先级：专利证书 → 通知书映射 → 登记簿副本 → 手续合格通知书
• 商标法律状态三级优先级：注册证 → 初审公告 → 最新有效映射
• 软著法律状态两级优先级：软著证书 → 最新有效映射
• 自动计算状态变更历史（以"→"连接）
• 自动计算专利权人变更记录

csv_manager.py — CSV 管理模块

• 自动检测编码（UTF-8-BOM / UTF-8 / GBK / GB18030 / Latin-1）
• 写入统一使用 UTF-8-BOM 编码，确保 Excel 兼容
• 支持初始化、读取、覆写、追加、更新、查找、路径批量更新等操作

输出目录结构

<输出目录的父目录>/
├── <输入文件夹>/      ← --input 指定的目录
├── <输出目录>/        ← --output 指定的目录（默认 ip_archives）
│   ├── archives/          # 归档的 PDF 文件，按类型组织
│   │   ├── 专利/          # 专利类文件，三级分类：专利权人/法律状态/专利号子文件夹
│   │   │   ├── 公司A/     # 第一级：按当前权利人分组
│   │   │   │   ├── 授权/  # 第二级：按法律状态分组
│   │   │   │   │   └── CN202010123456.1-发明-授权-公司A/  # 第三级：专利号-专利类型-法律状态-当前专利权人
│   │   │   │   └── 审/
│   │   │   │       └── CN202020123456.2-实用新型-实审-公司A/
│   │   │   └── 公司B/
│   │   │       └── 授权/
│   │   │           └── CN202030123456.3-外观设计-授权-公司B/
│   │   ├── 商标/          # 商标类文件，子文件夹命名：标识号-商标申请类别-法律状态-当前权利人
│   │   └── 软著/          # 软著类文件，二级分类：当前权利人/标识号-法律状态-当前权利人
│   │       ├── 公司A/     # 第一级：按当前权利人分组
│   │       │   └── 2023R11S1234567-受理申请-公司A/  # 第二级：标识号-法律状态-当前权利人
│   │       └── 公司B/
│   │           └── 2024SR1234567-登记下证-公司B/
│   ├── csv/               # CSV 数据文件
│   │   ├── patent_files_archive.csv      # 专利归档明细
│   │   ├── patent_report.csv             # 专利汇总报表
│   │   ├── trademark_files_archive.csv   # 商标归档明细
│   │   ├── trademark_report.csv          # 商标汇总报表
│   │   ├── software_files_archive.csv    # 软著归档明细
│   │   └── software_report.csv           # 软著汇总报表
│   └── logs/              # 日志文件
│       ├── <timestamp>system.log  # 系统运行日志（每轮一个）
│       └── <timestamp>.json  # 每次处理的 JSON 日志
└── failed/              # 处理失败的 PDF 文件（与输入/输出目录同级）

法律状态判定规则

专利法律状态

商标法律状态

软著法律状态

幂等性判断规则

系统在处理 PDF 文件时会进行幂等性检查，避免重复归档。不同文件类型的去重键如下：

依赖

• Python 3.10+
• pdfplumber（推荐，PDF 文本提取）
• PyMuPDF / fitz（备选 PDF 引擎）
• PyPDF2（备选 PDF 引擎）

至少需要安装 pdfplumber、PyMuPDF、PyPDF2 中的一个。