几百个文件按关键词自动归类：同名不覆盖，套娃拦在启动前（含 2 个实跑大坑）

2026-10-07 · 喵窝资源铺

下载目录里发票、合同、报表混成一锅粥，手动拖到手抽筋。上一篇《文件按修改时间归档》解决的是「按日期分」，更早的《按文件名关键字自动归档》是轻量版；这篇是安全加固版：套娃防御、同名绝不覆盖、跳过原因逐条可查——一份 关键词规则归类脚本：规则写在 JSON 里随改随用、扩展名白名单过滤、目标同名不覆盖、规则自相矛盾拒绝启动。代码完整实跑过，真实输出贴在下面。

它做的判断顺序

1. 读 JSON 规则（如 {"发票": ["发票","invoice"]}），启动前先做交叉套娃检查（见坑 1）；
2. 只扫源目录顶层文件，已归好的子目录不碰，天然幂等；
3. 文件名对每个规则的关键词做不区分大小写的包含匹配，按规则书写顺序先到先得——「合同发票混合件」谁在前归谁，这个语义要写进文档而不是藏着；
4. 命中 → 移动（--copy 则复制）进对应子目录；目标已存在同名文件 → 跳过并报告，绝不覆盖（见坑 2）；
5. 没命中 / 扩展名不在白名单的逐条列出原因，最后报移动数 + 跳过数，出了问题能对上哪个文件。

规则文件长这样

{
  "发票": ["发票", "invoice"],
  "合同": ["合同", "contract"]
}

键是目标子目录名，值是关键词列表。目录名随便起，关键词不限数量，中英文混着写都行。

脚本全文

#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""按关键词把文件夹里的文件自动归类到子目录。
用法: python3 sort_by_keyword.py <源目录> --rules 规则.json [--copy] [--ext .pdf,.docx]
规则.json: {"发票": ["发票","invoice"], "合同": ["合同","contract"]}
铁律: 同名冲突不覆盖 -> 跳过并报告; 目录名撞别的规则关键词 -> 拒绝启动。
"""
import argparse, json, os, shutil, sys

def load_rules(p):
    with open(p, encoding="utf-8") as f:
        r = json.load(f)
    for k in r:
        if os.sep in k or k in (".", ".."):
            sys.exit(f"非法目录名: {k}")
    return r

def match(name, kws):
    low = name.lower()
    return any(kw.lower() in low for kw in kws)

def main():
    ap = argparse.ArgumentParser()
    ap.add_argument("src"); ap.add_argument("--rules", required=True)
    ap.add_argument("--copy", action="store_true")
    ap.add_argument("--ext", default="", help="逗号分隔白名单扩展名，如 .pdf,.jpg；空=全部")
    a = ap.parse_args()
    rules = load_rules(a.rules)
    exts = {e.strip().lower() for e in a.ext.split(",") if e.strip()}
    # 交叉套娃防御：目录A的名字不能命中目录B的关键词（A≠B），否则A里的
    # 归类结果会成为B的扫描输入。同名自命中放行——目标目录名=关键词是常态。
    names = list(rules)
    for d in names:
        for k in names:
            if k != d and match(d, rules[k]):
                sys.exit(f"规则目录名 {d} 会命中规则 {k} 的关键词，造成套娃，请改名")
    moved, skipped = [], []
    for name in sorted(os.listdir(a.src)):
        p = os.path.join(a.src, name)
        if not os.path.isfile(p):
            continue
        if exts and os.path.splitext(name)[1].lower() not in exts:
            skipped.append((name, "扩展名不在白名单")); continue
        hit = None
        for d, kws in rules.items():
            if match(name, kws):
                hit = d; break
        if not hit:
            skipped.append((name, "未命中任何关键词")); continue
        dest_dir = os.path.join(a.src, hit)
        os.makedirs(dest_dir, exist_ok=True)
        dest = os.path.join(dest_dir, name)
        if os.path.exists(dest):
            skipped.append((name, f"目标已存在同名 {hit}/，不覆盖")); continue
        if a.copy:
            shutil.copy2(p, dest)
        else:
            shutil.move(p, dest)
        moved.append((name, hit))
    for n, d in moved: print(f"[移动] {n} -> {d}/")
    for n, r in skipped: print(f"[跳过] {n} ({r})")
    print(f"共处理 {len(moved)} 移动 / {len(skipped)} 跳过")

if __name__ == "__main__":
    main()

实跑输出（原样贴）

测试目录 10 个文件：发票类 4（含「电子发票1234」「invoice_march」中英混排）、合同类 3、干扰文件 3（jpg/txt），扩展名白名单 .pdf,.docx,.xlsx：

[移动] contract_v2.pdf -> 合同/
[移动] invoice_march.xlsx -> 发票/
[移动] 劳动合同-张三.docx -> 合同/
[移动] 发票-2026-03-酒店.pdf -> 发票/
[移动] 发票-2026-03-酒店副本.pdf -> 发票/
[移动] 电子发票1234.pdf -> 发票/
[移动] 采购合同最终版.docx -> 合同/
[跳过] photo.jpg (扩展名不在白名单)
[跳过] 会议纪要0305.txt (扩展名不在白名单)
[跳过] 说明.txt (扩展名不在白名单)
共处理 7 移动 / 3 跳过

验证（不拿肉眼看，拿数据说话）

2 个实跑才踩得到的坑

参数怎么调

• 规则顺序：混合名文件（「合同发票」）归前一条规则，把更重要的类别写在前面；
• 扩展名白名单：--ext .pdf,.docx 只整理文档，图片视频不动；空 = 全部文件；
• move vs copy：默认移动（省空间），拿不准就 --copy，确认无误后手动删源；
• 大小写：关键词匹配不区分大小写，「Invoice」和「invoice」一视同仁；
• 想要「其余文件进杂项目录」：最后加一条规则 "其他": [""] 空关键词匹配一切——但建议先跑一轮看跳过清单再决定，别把病毒样本也「归类」了。

← 返回全部文章 · 下一篇预告：Word 简历批量转 PDF