企业官网建设流程全解析

档案目录打印这件事，只要完整做过一轮年度归档，就知道它有多磨人。案卷目录还好，整本誊一次能管一年；卷内目录才是真正的体力活，每个案卷十几到几十条文件级条目，一条一条往模板里填，填完调版式、对页号、装订、补印，一个中等规模的归档批次就能把人固定在工位上两周。所以当我第一次把卷内目录、案卷目录的 PDF/Excel 导出做成一条命令跑完时，感受很直接：这活本来就不该这么干。

下面这份内容，是我把档案目录批量打印这件事从手工搬到脚本的完整记录。前面讲清楚两种目录到底差在哪、手工成本怎么算；中间拆数据表结构、字段规范、版式参数怎么定；后面给可以直接复制的导出实现和批量脚本；最后是我踩过的坑和对应排查办法。做档案整理的、管综合档案室的、负责项目竣工文件归档的，不管会不会写代码，都能从里面拿到能用的东西。

1. 手工打印到底慢在哪：先把成本算清楚

1.1 卷内目录和案卷目录不是一回事

很多人把这两样当同一种表，只是字段多一点少一点，实际差别很大。案卷目录是卷级的，一个案卷占一行，记录的是这一卷整体的情况：档号、题名、起止日期、保管期限、卷内件数、总页数、密级。它面向的是“找卷”，相当于整个库房的索引册。卷内目录是件级的，一卷一份，逐件罗列卷内每一份文件的文号、责任者、题名、日期、页号，它面向的是“找件”，通常放在卷内首页，跟文件一起装订。

这个层级差异直接决定了打印策略完全不同。案卷目录是一本连续编号的册子，几十上百页，装订成一本，页码从头到尾连续，通常还要加封面、目录说明、备考表。卷内目录是一卷一文件、一卷一起页，每份都是独立的两三页，页码从第 1 页重新开始，打印完要按卷分开、分别塞进对应的档案盒。

字段上也有几处容易混淆的地方。案卷目录里的“页数”指整卷总页数；“卷内件数”是这一卷里有几份文件。卷内目录里的“页号”指该份文件在卷内的起止页，写法通常是“1-5”这种区间，而不是单个数。这两列如果搞混，打出来的目录看着没问题，一核对就全错。我见过最典型的一种错，是把卷内目录的“页号”列直接填成序号 1、2、3，结果整卷的页号完全对不上，只能全部重打。

1.2 一笔手工账：一千卷要多花多少工时

我拿自己经手过的一个批次算过账：约 1000 卷，平均每卷 18 件，合计约 1.8 万条件级记录。手工路径大概是这样的——从台账里找到对应那一卷的数据，复制到 Word 模板，逐条核对字段，调整列宽和行高，检查有没有一条挤到下一页，加页码，打印，取纸，按卷分拣，装进档案盒。熟练的人做一卷，从复制到装订完成，8 到 12 分钟是常态，慢一点十五分钟也正常。

按 10 分钟一卷算，1000 卷就是 166 个小时，折合 21 个八小时工作日。这还只是“第一次打印”。档案整理有个绕不开的特点：返工率高。查到一条题名写错、一个日期格式没统一、页号算错一页，就得重新打开模板、改、再打一遍。返工率按 15% 估，又要多出三四十个小时。

批量导出之后是什么样？1000 卷 1.8 万条记录，脚本跑完大概三到五分钟，输出 1000 个 PDF 文件加 1000 个 Excel 文件。人工只剩下两件事：抽检和打印。打印本身也能批量，一次选中几百个文件丢给打印机连续输出，中间不用管。

这个账算下来，真正省的不是打印那一下，而是数据搬运和版式调整这两块。所以后面所有的设计，都是围绕“把这两块彻底交给程序”来做的。

1.3 哪些环节其实可以交给程序，哪些必须留给人

有个误区得先破掉：不是全流程都能自动化。档案这行有个硬约束，目录内容必须跟实体文件严丝合缝，任何一条题名错了，程序是发现不了的，它只会忠实地把错的打出来，而且一次错 1000 份。所以分工要划清楚。

能交给程序的：字段拼接、格式统一（日期、档号前导零）、页码计算、“第 X 页 共 Y 页”生成、版式排版、跨页表头重复、批量文件命名、页号连续性校验、档号唯一性校验、批量转 PDF、按规则分目录存放。这些事情规则明确、结果可验证，程序做得比人快也比人准。

必须留给人的：题名是否准确反映文件内容、责任者写法是否符合本单位习惯、保管期限判定、密级判定、实体文件与目录的实物核对、盖章签字。尤其是题名，档案著录里最容易出问题的就是这一列，程序永远只能照搬。

把这条线划清楚，后面的技术选型和脚本设计才有依据——我们做的是“把人从重复劳动里捞出来”，不是“让人不用看目录”。

2. 数据底座：把台账整理成能输入模板的结构

2.1 目录字段怎么定：一份可以直接照抄的字段表

所有导出方案的前提，是一张干净的台账。我见过太多人上来就写脚本，结果卡在数据上：日期一列有“2023.5.6”“2023年5月6日”“2023-05-06”三种写法，档号有的带前导零有的不带，件号跳号。脚本没错，是数据没法用。

所以第一步是把字段定死。下面这张表是我目前用的版本，字段名尽量贴近行业通用著录项，列宽和格式也在里面标清楚了。

两个细节值得单独说。档号必须是文本格式，这是最常见的坑。Excel 打开一个 CSV，档号“001-2023-K-0001”会被自动转成数字或者科学计数法，前导零全没了，打出来的目录档号全错。解决办法是在导入时就把这一列指定为字符串类型，或者在 Excel 里提前把整列设成文本格式。日期必须统一成标准格式，因为后面要做排序和区间计算，混着“2023.5.6”这种写法，排序结果会乱七八糟。

2.2 主从表拆分与关联键

台账不能是一张平表。一张平表里，同一卷的档号、题名、保管期限要在 18 行里重复 18 遍，改一处就得改 18 处，迟早出错。正确做法是拆成两张表。

案卷表：一卷一行，存卷级信息。字段是档号、案卷题名、起止日期、保管期限、密级、卷内件数、总页数、备注。

卷内文件表：一件一行，存件级信息。字段是档号、件号、文号、责任者、题名、日期、页号、页数、备注。这里的档号是外键，指向案卷表里的那一卷。

两张表用档号关联。案卷表里档号唯一，卷内文件表里同一个档号可以出现多次。导出某一卷的卷内目录时，就是拿这一卷的档号去卷内文件表里筛，按件号排序，再渲染成表格。

import pandas as pd # dtype 显式指定，避免档号前导零被吃掉 juan = pd.read_excel("台账.xlsx", sheet_name="案卷表", dtype={"档号": str}) nei = pd.read_excel("台账.xlsx", sheet_name="卷内文件表", dtype={"档号": str, "页号": str, "文号": str}) # 按档号取一卷的卷内文件，按件号升序 def get_items(danghao: str) -> pd.DataFrame: sub = nei[nei["档号"] == danghao].copy() return sub.sort_values("件号").reset_index(drop=True) print(get_items("001-2023-K-0001").head())

这段代码看着简单，但dtype那三个字是关键。不写它，档号“001-2023-K-0001”里如果有一段是纯数字，pandas 有可能把它推断成数值，后面拼字符串就出错。同理，页号“1-5”如果不指定成字符串，也可能出问题。

2.3 三条必做的数据校验：把错误挡在打印之前

数据校验是整条流水线里性价比最高的环节。花二十分钟写校验，能省下几十个小时的返工。我固定跑四条检查，每条都对应一类真实发生过的错误。

第一条，档号唯一性。案卷表里同一个档号出现两次，说明台账有重复录入，导出时会出现两卷一样的目录，装订时必然多出一份。检查方法很简单，用重复值标记筛一遍。

第二条，件号连续性。同一档号下的件号必须从 1 开始、逐个递增、不跳号不重号。跳号意味着有文件没著录，重号意味着有两份文件抢了同一个位置。

第三条，页号衔接。这一条最容易被忽略，但它错了就是硬伤。规则是：本件的止页，加 1，等于下一件的起页；最后一件的止页，等于案卷表里的总页数。这三个数对不上，说明卷内文件的实际页数和目录记载不一致。

第四条，日期合法性。起止日期要在合理区间内，不能出现 1900 年或者 2099 年这种明显笔误，也不能起晚于止。

def check(juan: pd.DataFrame, nei: pd.DataFrame) -> list[str]: errs = [] # 1 档号唯一 dup = juan[juan["档号"].duplicated(keep=False)] for dh in dup["档号"].unique(): errs.append(f"[档号重复] {dh}") for dh, grp in nei.groupby("档号"): grp = grp.sort_values("件号") # 2 件号连续 expect = list(range(1, len(grp) + 1)) if grp["件号"].tolist() != expect: errs.append(f"[件号跳号或重号] {dh}: {grp['件号'].tolist()}") # 3 页号衔接 for i in range(len(grp) - 1): cur_end = int(str(grp.iloc[i]["页号"]).split("-")[-1]) nxt_start = int(str(grp.iloc[i + 1]["页号"]).split("-")[0]) if cur_end + 1 != nxt_start: errs.append( f"[页号断开] {dh} 第{grp.iloc[i]['件号']}件止页{cur_end} " f"与第{grp.iloc[i+1]['件号']}件起页{nxt_start} 不衔接" ) # 4 日期区间 bad = juan[pd.to_datetime(juan["起止日期"].str[:10], errors="coerce").isna()] for dh in bad["档号"]: errs.append(f"[日期异常] {dh}") return errs for e in check(juan, nei)[:20]: print(e)

跑完这四条，如果没有报错，基本可以放心批量输出。有报错也不慌，脚本会把具体哪个档号、哪一件、哪两个数字对不上都打出来，改台账就行，不用去翻已经打好的纸。

3. 版式定稿：打印件一次成型的参数清单

3.1 纸张、边距、字体、行高：全套参数

版式这块，最省事的做法是先定死一套参数，之后所有输出都用同一套。每次打印都重新调格式，是手工时代最大的时间黑洞之一。

纸张统一 A4 纵向，210mm × 297mm。边距我固定用上 25mm、下 25mm、左 30mm、右 20mm。左边留 30mm 是为了装订线，卷内目录要跟文件一起装订，左边不留够宽度，装订完靠近装订侧的几列文字会被吃掉。右边 20mm 是常规页边距，够用。

按这个边距算，表格可用宽度是 210 − 30 − 20 =160mm。列宽分配就要在这个 160 里做文章。卷内目录六列，我一般这么分：件号 12mm、文号 26mm、责任者 26mm、题名 62mm、日期 18mm、页号 16mm，加起来正好 160mm。题名给到 62mm 是因为它最长，也最需要留出换行空间。

字体上，标题用黑体二号居中，表名下面如果还有一行“档号：×××”这种副标题，用小四宋体。表头用小四宋体加粗，正文小四仿宋。行高固定 1cm 左右，正文行距 1.5 倍。这些参数不是为了好看，是为了换一台机器打印结果不变——字体、字号、行高只要有一个不固定，换台电脑打出来页数就可能不一样。

3.2 跨页表头与动态行高：两个必须解决的排版难题

跨页表头是必须的。卷内目录超过一页时，第二页顶部如果没有表头，读者根本不知道哪一列是什么。Word 里的做法是选中表头行，表格属性里勾“在各页顶端以标题行形式重复出现”。HTML 渲染 PDF 时，用<thead>包住表头行，CSS 里加一句thead { display: table-header-group; }，WeasyPrint 会自动在每页重复。这个属性值写错了就完全没效果，table-row-group是不行的。

动态行高麻烦一些。题名一列字数不固定，短的五六个字，长的六七十个字。如果固定行高，长的会被裁掉；如果都按最长的那条设行高，页面会浪费大量空白，一卷打五六页。正确做法是让表格自己撑高：不设固定行高，只设最小行高，单元格内容自动换行，行高随内容增长。Word 里叫“行高值设为最小值”，HTML 里就是不给height只给min-height，同时保证table-layout: fixed配合明确列宽，这样换行位置才可控。

这里有个细节：中文没有空格，浏览器默认在任意字符处都能断行，英文单词默认不拆。如果题名里夹着英文或者数字串，比如“2023年度XXXXX报告”，渲染时那一长串会被整体推到下一行，导致上面一行留一大片空白。解法是给单元格加word-break: break-all;（或者新一点的overflow-wrap: anywhere;），让它在任何位置都可断。

还有一条，表头不能单独留在页尾。会出现这种情况：某一页最后一行刚好是表头，下面的数据被推到下一页。视觉上就是“表头悬空”。CSS 里用tr { page-break-inside: avoid; }保证一行不被拆开，再用thead { page-break-after: avoid; }防止表头后面直接跟分页。这两条加上，排版基本就稳了。

3.3 页码、总页数与装订线：卷内目录特有的坑

页码这块，卷内目录和案卷目录规则完全不同，必须分开处理。

案卷目录是一本连续册子，页码从封面之后第一页开始，一直编到最后一页，全文连续。总页数是全册总页数。

卷内目录是每卷独立一份，页码每卷从第 1 页重新起，总页数是这一份卷内目录本身的页数（通常 1 到 3 页）。这个“共 Y 页”不是卷内文件的总页数，很多人第一反应会搞错。

还有一处极易混淆：卷内目录表格里有一列叫“页号”，那是卷内文件在整卷中的起止页，跟目录本身的页码完全是两回事。一份卷内目录上会同时出现“第 2 页 共 3 页”（这是目录自身的页码）和“页号 36-42”（这是某份文件在卷内的位置），新手看到容易懵。

技术上，Word 里用域代码PAGE和NUMPAGES，每份文档单独打开时会自动从 1 开始。HTML 渲染 PDF 时，用 CSS 的@page规则：

@page { @bottom-center { content: "第 " counter(page) " 页 共 " counter(pages) " 页"; font-family: "SimSun", serif; font-size: 9pt; } }

counter(page)是当前页，counter(pages)是总页数。因为是每卷单独渲染成一个 PDF，每份的页码自动从 1 开始，总页数也只统计这一份，正好符合卷内目录的要求。

装订线还要提醒一句：打印时不要勾“缩放以适应纸张”。这个选项会把 100% 的版式缩到 95% 左右，看起来没差别，但 30mm 的装订边距会变成 28.5mm，几十份下来装订侧的列就开始贴边了。打印设置里固定选“实际大小”或 100%。

4. 导出实现：Excel 和 PDF 两条路怎么走

4.1 Excel 路线：模板填充加格式锁定

Excel 路线的核心思路是模板 + 数据填充，不是从零画表。好处是格式、列宽、打印区域、页眉页脚全部预先设在模板里，脚本只负责往指定单元格写数据，永远不会跑版。

具体做法：先用 Excel 手工做一份空白模板，把标题、表头、列宽、行高、打印区域、页边距、页脚页码全部设好，存成template.xlsx。然后用 openpyxl 打开它，从第 2 行往下填数据，填完另存。

from openpyxl import load_workbook from openpyxl.worksheet.pagebreak import Break def fill_excel(danghao, meta, items, out_path): wb = load_workbook("template.xlsx") ws = wb.active ws["A2"] = f"档号：{danghao}" ws["A3"] = f"案卷题名：{meta['案卷题名']}" row = 5 for it in items: ws.cell(row=row, column=1, value=it["件号"]) ws.cell(row=row, column=2, value=it["文号"]) ws.cell(row=row, column=3, value=it["责任者"]) ws.cell(row=row, column=4, value=it["题名"]) ws.cell(row=row, column=5, value=it["日期"]) ws.cell(row=row, column=6, value=it["页号"]) row += 1 # 打印设置：A4、100%、打印标题行 ws.page_setup.paperSize = ws.PAPERSIZE_A4 ws.page_setup.orientation = "portrait" ws.page_setup.scale = 100 ws.print_title_rows = "4:4" # 第4行是表头，每页重复 ws.page_margins.left = 30 / 25.4 # 英寸 ws.page_margins.right = 20 / 25.4 ws.page_margins.top = 25 / 25.4 ws.page_margins.bottom = 25 / 25.4 wb.save(out_path)

print_title_rows = "4:4"这一行是跨页表头的关键，等价于 Word 里的“重复标题行”。page_margins的单位是英寸，所以要用毫米除以 25.4 换算，这一点非常容易忘，直接填 30 会得到 30 英寸的边距，一页什么都放不下。

Excel 还有个优势：审核方便。目录生成后发给同事核对，对方直接在 Excel 里改，改完重新跑一遍就行。所以我的实际做法是先出 Excel 供核对，确认无误再转 PDF 归档。

转 PDF 用办公套件的命令行模式，一次转整个目录：

# 批量把目录下所有 xlsx 转成 pdf libreoffice --headless --convert-to pdf --outdir ./out_pdf ./out_xlsx/*.xlsx

这条路的好处是不依赖代码环境里的字体配置，转换用的是本机已装字体，中文不会出问题。缺点是每份文件都要启动一次转换进程，几百份会慢一些，可以考虑分批跑。

4.2 PDF 路线：HTML 渲染的完整脚本

如果只想要 PDF，不想要 Excel 中间产物，直接走 HTML 渲染更干净。思路是把每一卷渲染成一张 HTML 页面，再用渲染器输出 PDF。模板用 Jinja2 写，数据往里一塞就行。

先看模板骨架：

<!DOCTYPE html> <html lang="zh-CN"> <head> <meta charset="utf-8"> <style> @page { size: A4 portrait; margin: 25mm 20mm 25mm 30mm; @bottom-center { content: "第 " counter(page) " 页 共 " counter(pages) " 页"; font-family: "SimSun", serif; font-size: 9pt; } } body { font-family: "FangSong", "SimSun", serif; font-size: 12pt; } h1 { font-family: "SimHei", sans-serif; font-size: 22pt; text-align: center; margin: 0 0 6mm 0; letter-spacing: 4px; } .sub { font-size: 10.5pt; margin: 0 0 3mm 0; } table { width: 160mm; border-collapse: collapse; table-layout: fixed; font-size: 10.5pt; } thead { display: table-header-group; } /* 跨页重复表头 */ tr { page-break-inside: avoid; } /* 一行不拆开 */ th, td { border: 0.5pt solid #000; padding: 2mm 1mm; min-height: 10mm; vertical-align: middle; word-break: break-all; line-height: 1.5; } th { font-family: "SimHei", sans-serif; font-weight: bold; text-align: center; } td.c { text-align: center; } col.c1 { width: 12mm; } col.c2 { width: 26mm; } col.c3 { width: 26mm; } col.c4 { width: 62mm; } col.c5 { width: 18mm; } col.c6 { width: 16mm; } </style> </head> <body> <h1>卷 内 目 录</h1> <p class="sub">档号：{{ meta.danghao }}</p> <p class="sub">案卷题名：{{ meta.title }}</p> <table> <colgroup> <col class="c1"><col class="c2"><col class="c3"> <col class="c4"><col class="c5"><col class="c6"> </colgroup> <thead> <tr> <th>件号</th><th>文号</th><th>责任者</th> <th>题名</th><th>日期</th><th>页号</th> </tr> </thead> <tbody> {% for it in items %} <tr> <td class="c">{{ it.no }}</td> <td>{{ it.docno }}</td> <td>{{ it.author }}</td> <td>{{ it.title }}</td> <td class="c">{{ it.date }}</td> <td class="c">{{ it.pages }}</td> </tr> {% endfor %} </tbody> </table> </body> </html>

几个关键点值得说透。table-layout: fixed必须配colgroup里的明确宽度，两者一起用才能保证列宽严格按 160mm 分配、不被内容撑开。display: table-header-group是跨页重复表头的开关，写在thead上。page-break-inside: avoid写在tr上，防止一行被拆到两页。word-break: break-all处理中文长题名和夹杂的英文数字串。

渲染脚本本身很短：

from jinja2 import Environment, FileSystemLoader from weasyprint import HTML import pandas as pd, os env = Environment(loader=FileSystemLoader("./templates")) tpl = env.get_template("juannei.html") def render_one(meta, items, out_dir): html = tpl.render(meta=meta, items=items) out = os.path.join(out_dir, f"{meta['danghao']}.pdf") HTML(string=html).write_pdf(out) return out

HTML(string=html).write_pdf(out)这一行就是全部转换逻辑。中文能不能正常显示，取决于系统里有没有装“仿宋”“宋体”这些字体，没有就会退化成方框。这是 PDF 路线最容易翻车的地方，后面踩坑那节细说。

4.3 批量循环、文件命名与失败兜底

单卷能导出只是第一步，真正的价值在批量。批量脚本要多做三件事：遍历所有档号、规范文件命名、记录失败。

import os, traceback def batch_export(juan, nei, out_dir): os.makedirs(out_dir, exist_ok=True) ok, fail = 0, [] for _, row in juan.iterrows(): dh = row["档号"] try: items = nei[nei["档号"] == dh].sort_values("件号").to_dict("records") if not items: fail.append((dh, "卷内文件表无对应记录")) continue meta = { "danghao": dh, "title": row["案卷题名"], "date_range": row["起止日期"], "keep": row["保管期限"], } render_one(meta, items, out_dir) ok += 1 except Exception as e: fail.append((dh, repr(e))) traceback.print_exc() print(f"成功 {ok} 卷，失败 {len(fail)} 卷") for dh, why in fail: print(f" {dh}: {why}") return fail

文件命名有条经验：直接用档号做文件名，不要夹中文标题。理由是档号唯一、可排序、不含特殊字符，而案卷题名可能很长、含书名号括号、含斜杠（斜杠在文件名里是非法的，会导致保存失败）。命名成001-2023-K-0001.pdf，在文件管理器里按名称排序就是按卷号排序，打印时选中全选，输出顺序天然正确，分拣时不用再对。

失败兜底不能省。批量跑几百卷，总会有几卷数据有问题——卷内文件表里没记录、题名超长导致排版溢出、日期格式解析失败。没有 try 包住，第一份出错整个循环就断了，前面跑的全白跑。加上异常捕获，跑完打印一份失败清单，改完数据单独重跑这几卷就行。

分批存放也值得做。一千个 PDF 塞进一个文件夹，打开都卡。按年度或按目录号建子目录，out/2023/K-001/001-2023-K-0001.pdf这种结构，查找和打印都方便。

5. 踩坑记录：那些文档里不会写的问题

5.1 分页错乱、空白页与“表头悬空”

分页是排版里最容易出问题的地方，我把它拆成三种具体现象来看。

第一种，多出一张空白页。最常见原因是内容刚好占满一页，末尾多了一个看不见的换行或者一个空段落，把它挤到了第二页。HTML 渲染时，body最后如果有一个空的<p>或者表格后面跟着<br>，就会生成空白页。解决办法是把模板里的多余空白节点全部删掉，body里除了标题、副标题、表格之外不留任何东西。Word 路线则是把表格后面那个空段落字号设成 1 磅、行距设成固定值 1 磅。

第二种，行被从中间劈开。一行数据上半截在第一页，下半截在第二页。这个纯粹是缺了page-break-inside: avoid。加上之后，渲染器会把这一行整体推到下一页。代价是当前页底部会留一块空白，可以接受。

第三种，表头单独留在页尾。一页最后一行是表头，数据全在下一页。这个要在表头行后面加page-break-after: avoid，让它不能跟后面的内容断开。另外thead上的display: table-header-group已经保证了每页都有表头，所以就算出现表头悬空，视觉上也只是多一行，不至于看不懂，但能避免还是避免。

还有一个隐蔽的：最后一行特别高，把整个表格顶出一页。原因是某一卷最后一件的题名特别长，占了四五行，而前面刚好排到页底。这种情况没法靠 CSS 完全消除，实际做法是在生成前先估一下每卷的预估页数，如果某卷特别长，就接受它多一页，不要去压缩行高——压行高会导致其他卷的排版也跟着变，得不偿失。

5.2 字体缺失、特殊字符与断行位置

字体缺失是 PDF 路线最典型的翻车点。本机渲染看着好好的，换到一台没装仿宋的机器上跑，整个 PDF 全是方块或者豆腐块。原因是渲染器找不到指定字体，退回到默认字体，而默认字体没有中文字形。解决办法有三个层次：一是在 CSS 里配字体回退链，"FangSong", "SimSun", "Microsoft YaHei", serif，前一个找不到就用后一个；二是把字体文件随项目放一份，用@font-face显式引入；三是干脆改用办公套件转换这条路，它用的是本机已装字体，只要机器上能正常打开文档，转出来就不会乱码。

特殊字符主要影响 HTML 渲染。题名里如果有&、<、>，直接塞进 HTML 会被当成标签或实体开头，轻则显示错乱，重则整页结构崩掉。Jinja2 默认开启自动转义，{{ it.title }}里的&会自动变成&，所以正常情况下不会有问题。但如果你在模板里用了|safe过滤器，就等于关掉了这层保护，那就要自己先做转义。我的做法是干脆不用|safe，所有变量老老实实走默认转义。

断行位置的坑前面提过一次，这里补充一个实际案例。有一批文件的题名里带项目编号，形如“关于XX项目（编号 A1B2C3D4E5）的批复”。渲染出来经常出现一行只有“关于XX项目（编号”这几个字，然后一大片空白，下一行才接编号。原因是编号那一长串被当成一个不可分割的整体。加word-break: break-all之后，编号可以在任意字符处断开，空白就消失了。副作用是英文单词也可能被从中间断开，但目录场景里这个副作用基本无害。

5.3 数据量、性能与打印队列

一千卷听着不多，但实际跑起来会暴露几个性能问题。

渲染速度。单卷渲染一个 PDF，WeasyPrint 大概需要 0.3 到 0.8 秒，一千卷就是 5 到 13 分钟。这个速度可以接受，但如果卷内件数多（比如每卷 50 件），单卷时间会涨到 2 秒以上。优化手段是复用同一个渲染器实例，不要在循环里反复初始化，另外可以把大卷和小卷分开跑，先用小批量试跑确认版式，再全量跑。

内存占用。用 pandas 一次读入 1.8 万条记录，内存占用很小，不是问题。真正占内存的是同时打开太多 PDF 句柄，如果忘了close()，跑几百卷之后会报“too many open files”。write_pdf(path)这种写法内部会自己关闭，write_pdf(file_object)就要自己管。

打印队列。一次性选中一千个 PDF 发给打印机，大概率会卡死打印队列，尤其是网络打印机。实际做法是分批发送，一次 50 到 100 份，等队列清空再发下一批。另外一定要在打印设置里确认三件事：纸张 A4、缩放 100%、双面打印关闭（卷内目录单面打印，方便装订和翻阅）。

Excel 路线的性能问题不太一样。openpyxl 加载一个带大量样式的模板，再逐格写入，单卷几百毫秒，一千卷下来十几分钟。如果只是要 PDF，走 Excel 再转一次纯属多余，直接 HTML 渲染更省事。我现在的分工是：要核对就出 Excel，要归档就出 PDF，不混着来。

5.4 常见问题速查表

下面这张表是我这几年攒下来的，遇到问题先在这里找一遍，能省不少时间。

表里最后一行值得单独强调。我早期用案卷题名做文件名，结果有一批题名里带“XX/XX项目”，斜杠在文件系统里是路径分隔符，保存直接报错，而且这个错是在跑到第三百多卷才出现的，前面跑的全得重来。改用档号命名之后，这个问题彻底消失，顺带还解决了排序问题。

最后分享一个我自己一直在用的小习惯。每次批量跑完，不要急着打印，先随机抽五卷打开看：一看看第一页的表头是否齐全、二看看最后一页有没有空白、三看看页号列有没有出现“0-0”或者倒置区间、四看看题名最长的那一件有没有被裁掉、五看看页码是不是从 1 开始。这五眼看下来，五分钟，能挡掉八成以上的返工。档案这行，纸一旦打出来、装进盒、盖了章，再改就是大工程，前面多花五分钟，后面省下的可能是半天。