CSlawyer1985/legal-skillhub / skills/archive-ip-pdfs
archive-ip-pdfs
Verified知识产权官文自动归档技能。当用户需要批量处理知识产权官文 PDF 文件(专利、商标、软著),将其解析、归档、生成报表时触发。关键词:归档、知识产权、PDF、专利、商标、软著、官文。
| File | Kind | Size |
|---|---|---|
| SKILL.md | skill md | 9.5 KB |
| readme.md | markdown | 29.1 KB |
| scripts/__init__.py | script | 600 B |
| scripts/__main__.py | script | 258 B |
| scripts/config.py | script | 7.9 KB |
| scripts/csv_manager.py | script | 10.1 KB |
| scripts/legal_status.py | script | 37.3 KB |
| scripts/main.py | script | 3.6 KB |
| scripts/pdf_parser.py | script | 85.1 KB |
| scripts/run_archive.py | script | 7.9 KB |
| scripts/script1_process.py | script | 32.7 KB |
| scripts/script2_sync.py | script | 13.4 KB |
| scripts/script3_report.py | script | 18.8 KB |
| tests/test_changes.py | script | 32.8 KB |
readme.md
View on GitHub# 知识产权官文自动归档系统 — 用户参考文档
## 项目背景
在企业知识产权管理中,专利、商标、软件著作权等各类官文 PDF 文件数量庞大、格式各异,人工分类归档耗时费力且容易出错。本系统旨在实现知识产权官文 PDF 的自动化归档处理,通过智能识别文件类型、提取关键字段、规范化命名、组织化存储,大幅提升知识产权文件管理的效率和准确性。
## 系统功能
### 核心功能
1. **智能 PDF 解析**:自动识别专利、商标、软著三大类共八种文件子类型,从 PDF 首页文本中提取申请号、通知书名称、权利人等关键字段
2. **规范化文件命名**:根据文件类型和提取字段,按统一命名规则自动重命名,便于检索和管理
3. **组织化目录存储**:按知识产权类型、权利人、法律状态等维度自动建立多级目录结构
4. **法律状态自动判定**:根据同一知识产权的多份官文,综合判定当前法律状态、状态变更历史、当前权利人
5. **汇总报表生成**:自动生成专利、商标、软著三类汇总报表,每个知识产权仅保留一条最新状态记录
6. **幂等性保证**:重复运行不会产生重复记录,已处理的文件自动跳过
### 支持的文件类型
| 主类型 | 子类型 | 说明 |
|--------|--------|------|
| 专利文件 | 专利通知书 | 各类审查通知书、决定书等(20+种) |
| 专利文件 | 专利证书 | 发明/实用新型/外观设计专利证书 |
| 专利文件 | 专利登记簿副本 | 专利登记簿摘录文件 |
| 商标文件 | 商标通知书 | 各类商标审查通知书(13种) |
| 商标文件 | 商标注册证 | 商标注册证书 |
| 商标文件 | 商标注册申请书 | 商标注册申请文件 |
| 软著文件 | 软著受理通知书 | 计算机软件著作权受理通知书 |
| 软著文件 | 软著证书 | 计算机软件著作权登记证书 |
## 使用方法
### 环境要求
- **Python**:3.10 或更高版本
- **PDF 解析库**(至少安装一个):
- `pdfplumber`(推荐,对中文 PDF 文本提取效果最佳)
- `PyMuPDF`(即 `fitz`,备选引擎)
- `PyPDF2`(备选引擎)
安装依赖:
```bash
pip install pdfplumber pymupdf PyPDF2
```
### 运行方式
#### 方式一:命令行运行(推荐)
```bash
python -m scripts.run_archive --input <PDF文件目录> [--output <输出目录>]
```
**参数说明:**
| 参数 | 必选 | 说明 |
|------|------|------|
| `--input` | 是 | 待处理的 PDF 文件所在目录,脚本会递归扫描该目录下所有 `.pdf` 文件 |
| `--output` | 否 | 输出根目录。若不指定,自动在输入目录的父目录下创建 `ip_archives` 文件夹 |
**示例:**
```bash
# 处理 D:\patents 目录下的所有 PDF,输出到默认位置
python -m scripts.run_archive --input D:\patents
# 指定输出目录
python -m scripts.run_archive --input D:\patents --output D:\archived
```
#### 方式二:作为模块运行
```bash
python -m scripts
```
此方式使用默认配置(当前工作目录作为根路径,`temp-in` 子目录作为输入目录)。
### 运行流程
系统按顺序执行三个核心脚本:
1. **脚本1(扫描处理)**:扫描输入目录中的所有 PDF 文件,逐文件执行解析→幂等性检查→复制归档→写入 CSV→记录日志
2. **脚本2(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. **脚本3(报表生成)**:基于归档 CSV 数据生成汇总报表
任一脚本异常将中断后续脚本执行。
## 输出目录结构
```
<输出目录的父目录>/
├── <输入文件夹>/ ← 原始输入目录(处理完成后 PDF 文件被移走)
├── <输出目录>/ ← 默认 ip_archives
│ ├── archives/ # 归档的 PDF 文件
│ │ ├── 专利/ # 专利类文件
│ │ │ └── <权利人>/ # 第一级:按当前权利人分组
│ │ │ └── <法律状态>/ # 第二级:按法律状态分组
│ │ │ └── <专利号>-<专利类型>-<法律状态>-<当前权利人>/ # 第三级
│ │ ├── 商标/ # 商标类文件
│ │ │ └── <标识号>-<商标类别>-<法律状态>-<当前权利人>/
│ │ └── 软著/ # 软著类文件
│ │ └── <权利人>/ # 第一级:按当前权利人分组
│ │ └── <标识号>-<法律状态>-<当前权利人>/ # 第二级
│ ├── csv/ # CSV 数据文件
│ │ ├── patent_files_archive.csv # 专利归档明细(每份官文一条记录)
│ │ ├── patent_report.csv # 专利汇总报表(每个专利一条记录)
│ │ ├── 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(DEBUG 级别)
│ └── <timestamp>.json # 每次处理的 JSON 详细日志
└── failed/ # 处理失败的 PDF 文件
```
## PDF 文件重命名规范
系统在归档时会自动根据 PDF 内容识别文件类型,并按照标准命名规则对文件进行重命名。各组成部分之间以下划线 `_` 连接,多个权利人之间以 `&` 连接。
### 一、专利类文件
#### 1. 专利通知书
**命名格式:** `{专利号}_{发文日期缩写}_{专利通知书名称}_{专利权人}.pdf`
**命名示例:** `CN202010123456.1_20231215_授予发明专利权通知书_华为技术有限公司.pdf`
| 组成部分 | 含义 | 来源 |
|----------|------|------|
| 专利号 | 专利申请号,统一添加 CN 前缀,格式为 CN+12位数字+点+校验位 | 从 PDF 中提取 ZL/CN/纯数字格式的专利号,统一加 CN 前缀 |
| 发文日期缩写 | 发文序号前8位对应的日期,紧凑格式(如 20231215) | 从16位发文序号前8位解析 |
| 专利通知书名称 | 通知书的具体名称 | 从 PDF 中匹配到的通知书名称,若匹配到多个则以 `&` 连接 |
| 专利权人 | 专利权人名称 | 从"专利权人:"字段提取;若为受理通知书则从"申请人:"字段提取 |
**可识别的专利通知书名称及对应法律状态:**
| 通知书名称 | 对应法律状态 |
|------------|-------------|
| 专利申请受理通知书 | 受理 |
| 发明专利申请公布通知书 | 受理 |
| 发明专利申请初步审查合格通知书 | 受理 |
| 收费减缴审批通知书 | (不改变状态) |
| 发明专利申请进入实质审查阶段通知书 | 实审 |
| 第N次审查意见通知书 | 实审 |
| 补正通知书 | 实审 |
| 驳回决定 | 驳回 |
| 复审决定书 | 复审 |
| 复审通知书 | 复审 |
| 复审请求受理通知书 | 复审 |
| 授予实用新型专利权通知书 | 办登 |
| 授予发明专利权通知书 | 办登 |
| 授予外观设计专利权通知书 | 办登 |
| 办理登记手续通知书 | 办登 |
| 手续合格通知书 | (不改变状态) |
| 恢复权利请求审批通知书 | (不改变状态) |
| 专利权终止通知书 | 失效 |
| 视为撤回通知书 | 撤回 |
| 视为放弃取得专利权通知书 | 撤回 |
| 撤回专利申请手续合格通知书 | 撤回 |
#### 2. 专利证书
**命名格式:** `{专利号}_{授权公告日缩写}_{专利证书名称}_{授权公告号}_{专利权人}.pdf`
**命名示例:** `CN202010123456.1_20231215_发明专利证书_CN109876543A_华为技术有限公司.pdf`
| 组成部分 | 含义 | 来源 |
|----------|------|------|
| 专利号 | 专利申请号,含 CN 前缀 | 同专利通知书 |
| 授权公告日缩写 | 授权公告日期的紧凑格式 | 从"授权公告日:"字段提取后压缩,如"2023年12月15日"→"20231215" |
| 专利证书名称 | 证书的具体名称 | 匹配"发明专利证书"/"实用新型专利证书"/"外观设计专利证书" |
| 授权公告号 | 授权公告号,含 CN 前缀 | 从"授权公告号:"字段提取,自动补 CN 前缀 |
| 专利权人 | 专利权人名称 | 从"专利权人:"到"地址:"之间的文本提取 |
#### 3. 专利登记簿副本
**命名格式:** `{专利号}_{发文日期缩写}_登记簿副本_{专利权人}.pdf`
**命名示例:** `CN202010123456.1_20240115_登记簿副本_华为技术有限公司.pdf`
| 组成部分 | 含义 | 来源 |
|----------|------|------|
| 专利号 | 专利申请号,含 CN 前缀 | 同专利通知书 |
| 发文日期缩写 | 国家知识产权局发文日期的紧凑格式 | 从"国家知识产权局:YYYY年MM月DD日"提取后压缩 |
| 登记簿副本 | 固定字面值 | 固定为"登记簿副本",不从 PDF 提取 |
| 专利权人 | 专利权人名称 | 从"专利权人:"到"专利权人地址:"之间的文本提取 |
### 二、商标类文件
#### 1. 商标通知书
**命名格式:** `{商标申请号}_{商标通知书名称}_{商标申请人}.pdf`
**命名示例:** `75012345_商标注册申请受理通知书_腾讯科技(深圳)有限公司.pdf`
| 组成部分 | 含义 | 来源 |
|----------|------|------|
| 商标申请号 | 商标申请号,7-8位纯数字 | 从"申请号:"字段提取;若无法提取则从"商标:"+数字或纯数字匹配 |
| 商标通知书名称 | 通知书的具体名称 | 从 PDF 中匹配到的商标通知书类型名称 |
| 商标申请人 | 申请人名称 | 从"申请人:"字段提取,过滤长度≤2的短文本避免误匹配 |
**各商标通知书类型提取的字段及法律状态:**
| 通知书名称 | 提取字段 | 对应法律状态 |
|------------|---------|-------------|
| 商标注册申请受理通知书 | 商标申请号、商标通知书名称、商标申请人、商标申请日期、商标申请类别、发文编号 | 受理 |
| 商标驳回复审决定书 | 商标申请号、商标通知书名称、商标申请人、商标复审委托代理人 | 复审决定 |
| 商标注册申请缴费通知书 | 商标申请号、商标通知书名称、商标申请人、发文编号 | 受理 |
| 商标驳回通知书 | 商标申请号、商标通知书名称、商标申请人、发文编号 | 驳回 |
| 商标部分驳回通知书 | 商标申请号、商标通知书名称、商标申请人、发文编号 | 部分驳回 |
| 商标注册申请初步审定公告通知书 | 商标申请号、商标通知书名称、商标申请人、发文编号 | 初审公告 |
| 商标评审申请受理通知书 | 商标申请号、商标通知书名称、商标申请人 | (不改变状态) |
| 商标评审案件补正通知书 | 商标申请号、商标通知书名称、商标申请人 | (不改变状态) |
| 商标续展注册申请受理通知书 | 商标申请号、商标通知书名称、商标申请人 | 续展 |
| 注册商标续展申请受理通知书 | 商标申请号、商标通知书名称、商标申请人 | 续展 |
| 商标使用许可合同备案通知书 | 商标申请号、商标通知书名称、商标申请人 | (不改变状态) |
| 提供注册商标使用证据通知书 | 商标申请号、商标通知书名称、商标申请人 | (不改变状态) |
| 商标续展注册证明 | 商标申请号、商标通知书名称、商标申请人 | 续展 |
| 商标变更核准证明 | 商标申请号、商标通知书名称、商标申请人 | (不改变状态) |
| 商标转让核准证明 | 商标申请号、商标通知书名称、商标申请人 | (不改变状态) |
| 商标变更申请补正通知书 | 商标申请号、商标通知书名称、商标申请人、发文编号、变更申请号、变更事项 | (不改变状态) |
**发文编号提取与验证规则:**
| 通知书名称 | 发文编号格式 | 示例 |
|------------|-------------|------|
| 商标注册申请受理通知书 | TMZC+商标申请号+ZCSL+流水号 | TMZC73055497ZCSL01 |
| 商标注册申请缴费通知书 | TMZC+商标申请号+JFTZ+流水号 | TMZC73055497JFTZ01 |
| 商标部分驳回通知书 | TMZC+商标申请号+BFBH+流水号 | TMZC73055497BFBH01 |
| 商标注册申请初步审定公告通知书 | TMZC+商标申请号+CSGG | TMZC73055497CSGG |
| 商标注册申请初步审定公告通知书(驳回后复审成功) | BHFS+复审流水号+CSGG+公告流水号 | BHFS20240000151499CSGG01 |
| 商标驳回通知书 | TMZC+商标申请号+BHTZ+流水号 | TMZC73051073BHTZ01 |
| 商标变更申请补正通知书 | TMBG+变更申请号+BGBZ+补正流水号 | TMBG20240001568099BGBZ01 |
系统会对提取的发文编号进行格式验证,确保符合各通知书类型的特定规则。验证失败时会在日志中记录警告信息,但不影响归档处理。
**BHFS格式说明:** 对于驳回后复审成功的商标,其《商标注册申请初步审定公告通知书》的发文编号采用"BHFS+复审流水号+CSGG+公告流水号"格式,与常规的TMZC格式不同。系统优先匹配TMZC格式,未匹配到时再尝试BHFS格式。
#### 2. 商标注册证
**命名格式:** `{注册号}_商标注册证_{注册类别}_{注册日期}_{注册人}.pdf`
**命名示例:** `55012345_商标注册证_第6类_2023年06月15日_腾讯科技(深圳)有限公司.pdf`
| 组成部分 | 含义 | 来源 |
|----------|------|------|
| 注册号 | 商标注册号,7-8位纯数字 | 从"第 X 号"格式提取;若失败则匹配7-8位纯数字 |
| 商标注册证 | 固定字面值 | 固定为"商标注册证",不从 PDF 提取 |
| 注册类别 | 商标注册类别 | 从"国际分类:X"格式提取并格式化为"第X类" |
| 注册日期 | 商标注册日期 | 从"注册日期:"到"有效期"之间的文本提取 |
| 注册人 | 注册人名称 | 从"注册人:"到"注册人地址:"之间的文本提取 |
#### 3. 商标注册申请书
**命名格式:** `{代理文号}_商标注册申请书_{申请人}.pdf`
**命名示例:** `TMZC202301012345_商标注册申请书_阿里巴巴集团控股有限公司.pdf`
| 组成部分 | 含义 | 来源 |
|----------|------|------|
| 代理文号 | 代理机构文号 | 从"代理文号:"字段提取 |
| 商标注册申请书 | 固定字面值 | 固定为"商标注册申请书",不从 PDF 提取 |
| 申请人 | 申请人名称(中文) | 从"申请人名称(中文):"字段提取 |
### 三、软著类文件
#### 1. 软著受理通知书
**命名格式:** `{软件名称}_软著受理通知书_{受理日期}_{申请人}.pdf`
**命名示例:** `智能数据分析平台V2.0_软著受理通知书_2024年01月24日_北京科技有限公司.pdf`
| 组成部分 | 含义 | 来源 |
|----------|------|------|
| 软件名称 | 软件的全称 | 从"软件名称:"到"登记类型:"之间的文本提取 |
| 软著受理通知书 | 固定字面值 | 固定为"软著受理通知书",不从 PDF 提取 |
| 受理日期 | 受理通知书的发文日期 | 从 PDF 文本中提取最后一个日期,格式统一为"YYYY年MM月DD日" |
| 申请人 | 申请人名称 | 从"申请人:"到"代理人:"之间的文本提取 |
**额外提取字段:**
| 字段 | 提取规则 | 示例 |
|------|---------|------|
| 受理号 | 匹配"YYYYR11SXXXXXXX"格式 | "2023R11S1234567" |
| 软著代理 | 从"代理人:"后提取代理机构名称 | "代理人:江苏中正知识产权有限公司" → "江苏中正知识产权有限公司" |
#### 2. 软著证书
**命名格式:** `{软件名称}_软著证书_{证书日期}_{著作权人}.pdf`
**命名示例:** `智能数据分析平台V2.0_软著证书_2025年11月04日_北京科技有限公司.pdf`
| 组成部分 | 含义 | 来源 |
|----------|------|------|
| 软件名称 | 软件的全称 | 从"软件名称:"到"著作权人"或"权利取得方式"之间的文本提取 |
| 软著证书 | 固定字面值 | 固定为"软著证书",不从 PDF 提取 |
| 证书日期 | 证书的发文日期 | 从 PDF 文本中提取最后一个日期,格式统一为"YYYY年MM月DD日" |
| 著作权人 | 著作权人名称 | 从"著作权人:"到"权利取得方式"或"权利范围"或"登记号"之间的文本提取 |
**额外提取字段:**
| 字段 | 提取规则 | 示例 |
|------|---------|------|
| 证书号 | 匹配"软著登字第XXXXXXX号"格式 | "软著登字第1234567号" |
| 登记号 | 匹配"YYYYYSRXXXXXXX"格式 | "2023SR1234567" |
| 权利取得方式 | 从"权利取得方式:"后提取 | "权利取得方式:原始取得" → "原始取得" |
### 四、命名规范注意事项
1. **字段缺失处理**:若某个字段在 PDF 中无法提取到(返回空字符串),该字段将不会出现在文件名中,其余字段仍按顺序以下划线连接。若所有字段值均为空,则无法生成文件名,该文件会被移至 `failed/` 目录。
2. **多权利人连接**:当存在多个权利人/申请人时,以 `&` 符号连接,如 `公司A&公司B`。
3. **非法字符替换**:文件名中的非法字符(`< > : " / \ | ? *`)会被自动替换为下划线 `_`,换行符和制表符会被移除,连续空格会合并为单个空格。
4. **文件名冲突处理**:若目标路径已存在同名文件,系统会自动在文件名后追加 `_1`、`_2` 等序号后缀,避免覆盖已有文件。
5. **日期紧凑格式**:命名中使用的日期为紧凑数字格式(去除"年月日"文字),如"2023年12月15日"→"20231215",仅用于专利通知书的发文日期、专利证书的授权公告日和专利登记簿副本的发文日期。
6. **固定字面值**:部分命名组成部分为固定字面值(如专利登记簿副本中的"登记簿副本"、商标注册申请书中的"商标注册申请书"),这些值不从 PDF 内容中提取,而是由系统根据文件类型自动填充。
7. **仅支持文本型 PDF**:系统依赖从 PDF 中提取文本进行类型识别和字段解析,扫描件/图像型 PDF(无可提取文本)无法处理,会被移至 `failed/` 目录。
8. **专利号格式统一**:无论 PDF 中出现的专利号格式是 `ZL202010123456.1`、`202010123456.1` 还是 `CN202010123456.1`,重命名时统一使用 `CN` 前缀格式。
## 法律状态判定规则
### 专利法律状态判定
专利法律状态采用四级优先级判定策略:
1. **第一优先级 — 专利证书**:若存在专利证书,则根据是否同时存在终止通知书判定为"授权"或"失效"
2. **第二优先级 — 通知书映射**:按优先级从高到低遍历所有通知书,取优先级最高的法律状态
3. **第三优先级 — 登记簿副本**:从专利登记簿副本中读取法律状态("专利权有效"→"授权","专利权终止"→"失效")
4. **第四优先级 — 手续合格通知书**:若仅有手续合格通知书,则判定为"受理"
**专利法律状态优先级排序:**
受理(1) → 实审(2) → 驳回(3) → 复审(4) → 办登(5) → 授权(6) → 失效(7) → 撤回(8)
**专利权人变更记录计算:**
- 从"手续合格通知书"中提取专利权人变更信息
- 仅授权公告日之后的变更才更新当前权利人
- 变更记录以"→"连接,如"公司A→公司B→公司C"
### 商标法律状态判定
商标法律状态采用三级优先级判定策略:
1. **第一优先级 — 注册证**:若存在商标注册证,则判定为"已注册"
2. **第二优先级 — 初审公告**:若存在初步审定公告通知书,则判定为"初审公告"
3. **第三优先级 — 最新有效映射**:按处理时间降序遍历,取第一条有效通知书的状态映射值
### 软著法律状态判定
软著法律状态采用两级优先级判定策略:
1. **第一优先级 — 证书**:若存在软著证书,则判定为"登记下证"
2. **第二优先级 — 最新有效映射**:按处理时间降序遍历,取第一条有效通知书的状态映射值
### 状态变更历史
系统自动计算每个知识产权的状态变更历史,以"→"连接,连续相同状态会自动去重。例如:`受理→实审→授权`
## 标识号计算规则
标识号用于将同一知识产权的多份官文关联在一起,不同类型的计算规则如下:
| 知识产权类型 | 标识号计算规则 | 说明 |
|-------------|---------------|------|
| 专利 | 申请号 | 如 CN202010123456.1 |
| 商标 | 申请号 或 注册号 | 优先使用申请号,若为空则使用注册号 |
| 软著(受理通知书) | 受理号 | 如 2023R11S1234567 |
| 软著(证书) | 登记号 | 如 2023SR1234567;系统会尝试通过"软件名称"在全部记录中查找对应的受理号,以确保证书与受理通知书使用相同的标识号 |
## 文件夹组织规则
### 专利文件夹
**三级分类结构:** `{当前权利人}/{法律状态}/{专利号}-{专利类型}-{法律状态}-{当前权利人}`
- **第一级**:按当前权利人分组
- **第二级**:按法律状态分组
- **第三级**:专利号-专利类型-法律状态-当前权利人
**示例:**
```
专利/
├── 华为技术有限公司/
│ ├── 授权/
│ │ └── CN202010123456.1-发明-授权-华为技术有限公司/
│ │ ├── CN202010123456.1_20231215_授予发明专利权通知书_华为技术有限公司.pdf
│ │ └── CN202010123456.1_20231215_发明专利证书_CN109876543A_华为技术有限公司.pdf
│ └── 实审/
│ └── CN202020123456.2-实用新型-实审-华为技术有限公司/
│ └── CN202020123456.2_20231120_第一次审查意见通知书_华为技术有限公司.pdf
└── 腾讯科技有限公司/
└── 授权/
└── CN202030123456.3-外观设计-授权-腾讯科技有限公司/
└── CN202030123456.3_20231201_外观设计专利证书_CN209876543A_腾讯科技有限公司.pdf
```
### 商标文件夹
**单级分类结构:** `{标识号}-{商标申请类别}-{法律状态}-{当前权利人}`
- **标识号**:商标申请号或注册号
- **商标申请类别**:优先使用"申请类别",若为空则使用"注册类别"
**示例:**
```
商标/
└── 75012345-第7类-已注册-腾讯科技(深圳)有限公司/
├── 75012345_商标注册申请受理通知书_腾讯科技(深圳)有限公司.pdf
└── 55012345_商标注册证_第6类_2023年06月15日_腾讯科技(深圳)有限公司.pdf
```
### 软著文件夹
**二级分类结构:** `{当前权利人}/{标识号}-{法律状态}-{当前权利人}`
- **第一级**:按当前权利人分组
- **第二级**:标识号-法律状态-当前权利人
**示例:**
```
软著/
├── 北京科技有限公司/
│ └── 2023R11S1234567-受理申请-北京科技有限公司/
│ ├── 智能数据分析平台V2.0_软著受理通知书_2024年01月24日_北京科技有限公司.pdf
│ └── 智能数据分析平台V2.0_软著证书_2025年11月04日_北京科技有限公司.pdf
└── 上海科技有限公司/
└── 2024SR1234567-登记下证-上海科技有限公司/
└── 数据处理系统V1.0_软著证书_2025年03月15日_上海科技有限公司.pdf
```
## 报表字段说明
### 专利报表(patent_report.csv)
每个专利申请号一条记录,汇总该专利的最新状态。
| 字段 | 说明 |
|------|------|
| 申请号 | 专利申请号(含CN前缀) |
| 专利类型 | 根据专利号第5位数字判断:1=发明,2=实用新型,3=外观设计 |
| 发明创造名称 | 专利发明创造名称 |
| 专利权人 | 专利权人 |
| 法律状态 | 当前法律状态(受理/实审/授权/驳回/失效等),根据最新专利官文综合判断 |
| 最新专利官文名称 | 发文日期最晚的专利官文的名称 |
| 最新发文日期 | 发文日期最晚的专利官文的发文日期 |
| 申请日 | 专利申请日期 |
| 授权公告日 | 专利授权公告日期 |
| 公开日 | 专利公开日期 |
| 授权日 | 专利授权日期 |
| 授权公告号 | 专利授权公告号 |
| 证书号 | 登记簿副本中记载的证书号 |
| 发明人 | 专利发明人列表 |
| 受理时申请人 | 专利受理时的申请人 |
| 原专利权人名称 | 登记簿副本中记载的原专利权人名称 |
| 现专利权人名称 | 登记簿副本中记载的现专利权人名称 |
| 专利权人变更记录 | 专利权人变更历史,以"→"连接 |
| 著录项目变更生效日 | 登记簿副本中记载的著录项目变更生效日期 |
| 年费信息 | 登记簿副本中记载的年费缴纳信息 |
| 登记簿状态 | 登记簿副本中记载的法律状态 |
### 商标报表(trademark_report.csv)
每个商标标识号一条记录,汇总该商标的最新状态。
| 字段 | 说明 |
|------|------|
| 标识号 | 商标申请号或注册号 |
| 法律状态 | 当前法律状态(受理/已注册/驳回/复审决定/续展等) |
| 当前权利人 | 当前权利人名称,优先取"申请人",其次取"注册人" |
| 申请号 | 商标申请号 |
| 申请日期 | 商标申请日期 |
| 申请类别 | 商标申请类别(如"第7类") |
| 注册号 | 商标注册号 |
| 注册日期 | 商标注册日期(仅商标注册证有值) |
| 注册类别 | 商标注册类别(如"第6类") |
| 复审委托代理人 | 复审委托代理人名称 |
| 代理文号 | 代理文号 |
| 申请人 | 申请人名称 |
| 注册人 | 注册人名称 |
| 最新通知书名称 | 最新的商标官文名称 |
| 变更申请号 | 变更申请号(仅变更补正通知书有值) |
| 变更事项 | 变更事项内容(仅变更补正通知书有值) |
### 软著报表(software_report.csv)
每个软著标识号一条记录,汇总该软著的最新状态。
| 字段 | 说明 |
|------|------|
| 法律状态 | 当前法律状态(受理申请/登记下证) |
| 标识号 | 受理号或登记号 |
| 受理日期 | 软著受理通知书的受理日期 |
| 证书日期 | 软著证书的发文日期 |
| 受理号 | 软件著作权受理号(格式为 YYYYR11SXXXXXXX) |
| 登记号 | 软件著作权登记号(格式为 YYYYYSRXXXXXXX) |
| 软件名称 | 软件全称 |
| 证书号 | 证书编号(格式为"软著登字第XXXXXXX号") |
| 申请人 | 申请人名称 |
| 著作权人 | 著作权人名称 |
| 软著代理 | 代理机构名称(仅受理通知书有值) |
| 权利取得方式 | 权利取得方式(如"原始取得"、"受让取得"等) |
| 文件名 | 最新文件名 |
| 文件路径 | 最新文件路径 |
| 处理时间 | 最新处理时间 |
| 原始文件名 | 最新原始文件名 |
## 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:
| 文件类型 | 去重键 |
|---------|--------|
| 专利通知书 | 申请号 + 通知书名称 + 发文序号 |
| 专利证书 | 申请号 + 子类型 |
| 专利登记簿副本 | 申请号 + 子类型 + 发文日期 |
| 商标通知书 | 申请号 + 通知书名称 + 发文编号 |
| 商标注册证 | 注册号 + 子类型 |
| 商标注册申请书 | 代理文号 + 子类型 |
| 软著受理通知书 | 受理号 + 子类型 |
| 软著证书 | 登记号 + 子类型 |
**重复文件处理逻辑:**
- 若归档文件仍存在于目标路径:删除重复的源文件,跳过处理
- 若归档文件已缺失:重新复制源文件到归档目录,更新 CSV 中的路径记录
## 注意事项
### PDF 文件要求
1. **仅支持文本型 PDF**:系统通过提取 PDF 文本进行类型识别和字段解析,扫描件/图像型 PDF(无可提取文本)无法处理,会被移至 `failed/` 目录
2. **PDF 格式需符合官文标准格式**:正则匹配依赖官文的标准排版格式,非标准格式的 PDF 可能导致字段提取失败
3. **首页需包含关键信息**:系统仅读取 PDF 首页文本,关键信息需在首页中呈现
### 运行注意
1. **三个脚本按顺序执行**:任一脚本异常将中断后续脚本执行
2. **单文件异常不影响整体**:脚本1中单个文件处理失败不会中断其他文件的处理
3. **处理完成后源文件会被删除**:成功归档的 PDF 文件会从输入目录中删除,失败的文件移至 `failed/` 目录
4. **CSV 编码为 UTF-8-BOM**:所有 CSV 文件使用 UTF-8-BOM 编码,确保 Excel 打开时中文不乱码
5. **日志保留**:每次运行都会生成系统日志和 JSON 处理日志,不会自动清理历史日志
### 数据安全
1. **幂等性保证**:重复运行不会产生重复记录
2. **文件名冲突保护**:目标路径已存在同名文件时自动追加序号,不会覆盖
3. **CSV 列头校验**:若 CSV 文件的列头与预期不符,会自动备份并修复
4. **只读文件处理**:Windows 系统上只读属性的文件也能正常处理(自动移除只读属性)
### 性能说明
1. **全量覆写策略**:CSV 写操作采用全量覆写(读取→修改→写入),适用于中小规模数据(数千条以内)
2. **法律状态批量更新**:所有文件处理完成后统一执行法律状态更新,减少 CSV 读写次数
3. **PDF 引擎降级**:按 pdfplumber → PyMuPDF → PyPDF2 顺序尝试,优先使用效果最佳的引擎
Related skills
| Skill | Stars | Updated | Works with | Status | Install |
|---|---|---|---|---|---|
| canvas-designanthropics/skillsCreate beautiful visual art in .png and .pdf documents using design philosophy. You should use this skill when the user asks to create a poster, piece of art, design, or other static piece. Create original visual designs, never copying existing artists' work to avoid copyright violations. | Stars: 198k | Updated | Claude CodeCodex | Verified | Install |
| docxanthropics/skillsUse this skill whenever the user wants to create, read, edit, or manipulate Word documents (.docx files) or Word templates (.dotx files). Triggers include: any mention of 'Word doc', 'word document', '.docx', '.dotx', or requests to produce professional documents with formatting like tables of contents, headings, page numbers, or letterheads. Also use when extracting or reorganizing content from .docx or .dotx files, inserting or replacing images in documents, performing find-and-replace in Word files, working with tracked changes or comments, or converting content into a polished Word document. If the user asks for a 'report', 'memo', 'letter', 'template', or similar deliverable as a Word or .docx file, use this skill. Do NOT use for PDFs, spreadsheets, Google Docs, or general coding tasks unrelated to document generation. | Stars: 198k | Updated | Claude CodeCodex | Verified | Install |
| pdfanthropics/skillsUse this skill whenever the user wants to do anything with PDF files. This includes reading or extracting text/tables from PDFs, combining or merging multiple PDFs into one, splitting PDFs apart, rotating pages, adding watermarks, creating new PDFs, filling PDF forms, encrypting/decrypting PDFs, extracting images, and OCR on scanned PDFs to make them searchable. If the user mentions a .pdf file or asks to produce one, use this skill. | Stars: 198k | Updated | Claude CodeCodex | Verified | Install |
| pptxanthropics/skillsUse this skill any time a .pptx or .potx file is involved in any way — as input, output, or both. This includes: creating slide decks, pitch decks, or presentations; reading, parsing, or extracting text from any .pptx or .potx file (even if the extracted content will be used elsewhere, like in an email or summary); editing, modifying, or updating existing presentations; combining or splitting slide files; working with templates (.potx), layouts, speaker notes, or comments. Trigger whenever the user mentions "deck," "slides," "presentation," or references a .pptx or .potx filename, regardless of what they plan to do with the content afterward. If a .pptx or .potx file needs to be opened, created, or touched, use this skill. | Stars: 198k | Updated | Claude CodeCodex | Verified | Install |