Batch File Pipeline

Safety Rules

参见 _shared/core/safety-rules.md

关键补充：先验证后删旧。任何覆盖/删除旧文件的步骤，必须等新文件通过可打开性+内容校验后再执行；rm 只针对本批次确认无误的旧文件，且用变量守卫。

批量文件管道 (Batch File Pipeline)

处理"一批文件"的统一方法论：检查 → 规范化 → 命名 → 转换 → 去重 → 校验。可以只执行其中一步，也可以串成管道。泛化于扫描证书、媒体收藏、文档库、照片等一切批量整理。

管道步骤

Step 1 盘点
   列出目录内文件（类型、数量、大小、EXIF方向）。确认要处理哪些、跳过哪些。

Step 2 检查与方向校正（图片/扫描件）
   用 OCR 文字框坐标判断方向：
   - 竖排文字比例 >60% → 图片旋转了90°（文字被转成了竖排）。
   - 判定 CW/CCW：取同一串竖排文字的首尾字符 Y 坐标——
     顺时针旋转后首字符在左、文字左→右读；否则逆时针。
   - 180° 颠倒：OCR 完全读不出时尝试 180° 后重试。
   校正用 PIL `rotate(angle, expand=True)`，保存 quality=95。

Step 3 按命名规范重命名
   命名规范通常形如：`<年度>-<赛事>-<学生，顿号分隔>-<指导教师>-<奖项>-获奖证书.ext`
   或 `<来源>-<序号>-<名称>.<ext>`。重命名前先列出映射表，用户确认后再执行。

Step 4 格式转换
   PDF↔图片（pymupdf）、docx↔md（pandoc/python-docx）、媒体压缩（x264 CRF 23 等）。
   转换后逐文件校验可打开。

Step 5 去重
   按内容 SHA-256 哈希去重；保留首个，其余移入"疑似重复"清单，人工确认后删除。

Step 6 校验
   用 verify-deliver 的脚本：每个新文件可打开、命名符合正则、无文件丢失、
   原文件有备份（若覆盖过）。

防丢失协议（硬约束）

1. 重命名/覆盖前，先生成"旧→新"映射清单。
2. 新文件全部生成并通过校验后，才删除旧文件。
3. rm 命令必须用变量守卫，逐项删除，不用 rm -rf。
4. 大改动前先在批次目录外留一个 tar 备份或 rename 到 .bak 后缀。
5. 任何一步失败：停下，报告，不继续。

旋转检测算法（关键技巧）

for each 图片:
    OCR → 取前若干文字框的 (x1,y1,x2,y2)
    vertical = 计数(h > 1.5*w) / 总数
    if vertical > 0.6:  需要旋转90°
        用同一串文字的首尾 y：首y < 尾y（在竖列中文字从上到下）
        rotate CW（PIL rotate(-90)）→ 该竖列变为横排且左→右读
    else: 方向正常
    若 OCR 完全无文字 → 尝试 180° 后重试

Anti-Patterns

依赖

• Python：PIL、rapidocr-onnxruntime、pymupdf、python-docx
• 脚本：scripts/batch_pipeline.py（方向检测/旋转/重命名/哈希去重/校验）

文件结构

skills/batch-file-pipeline/
├── README.md
├── SKILL.md
├── rules/
│   ├── orientation.md   # OCR 旋转检测与校正
│   ├── naming.md        # 命名规范与重命名安全
│   └── safety.md        # 防丢失协议
└── scripts/
    └── batch_pipeline.py

版本历史