# 档案躺五年,还打得开吗
整理旧案卷,翻出五年前那批现场视频。文件在,大小也对,双击,播放器转两圈,弹一句「无法渲染该文件」。硬盘没坏,文件没丢,可这一份等于没了。
电子档案的麻烦就在这儿。纸放五年顶多泛黄,磁盘放五年,可能只是「看着还在」。真正决定它还能不能用的,是另外几件事。
## 文件在,内容未必在
一层一层拆。
第一层是容器。文件头得对得上,扩展名不算数。有人把视频改名成 `.mp4` 就归档了,里面其实是另一套封装,播放器一读文件头就撂挑子。看一眼真实格式,一条命令就够:
```bash
file -b 2021-001-现场.mp4
```
这条命令不看后缀,直接读文件开头那几个字节,告诉你它到底是什么。
第二层是编码。文件头对了,解码器未必还在。早年一些监控设备用的私有编码,换了播放器就解不出来;H.265 刚出来那几年,不少办公电脑的播放器直接不支持。文件本身没坏,是「读它的工具」没了。
第三层是语义。PDF 能打开,里面的中文字却成了一串方块,因为当年导出时字体没嵌入;表格能打开,公式引用的外部文件早被删掉,数字全成了错误值;OFD、CAD 这类格式还得配专门的阅读器。能打开,不等于看得懂。
真到打不开那天,原因通常不出三类。一类是换机器——旧播放器没跟着搬过来,系统升级后自带的解码组件被换掉。二类是授权到期——有些监控设备用的专有编码,解码库按年买,过期就解不开。三类是当年根本没存好——拷贝中途断过、U 盘拔早了、文件被截断,大小看着正常,后半段其实是空的。三类原因对应三种处理,混在一起就白忙。
[[IMG1]]
## 先做一次体检
别等有人要用才翻。挑个下午,把整个档案目录过一遍,先看能不能读出流信息:
```bash
ffprobe -v error -select_streams v:0 -show_entries stream=codec_name,width,height -of csv=p=0 2021-001-现场.mp4
```
`ffprobe` 是 ffmpeg 自带的探针,只读不写。`-select_streams v:0` 是「只看第一条视频流」,`-show_entries` 是「只报编码、宽、高这三项」。能吐出 `h264,1920,1080` 就说明容器和编码都还认得;报错或者什么都不吐,这一份就得单独处理。
PDF 加两条:
```bash
pdfinfo 2021-001-现场记录.pdf
pdffonts 2021-001-现场记录.pdf
```
`pdffonts` 的 `emb` 那一列是关键,写着 `yes` 才是字体嵌在文件里;一片 `no`,换台机器就可能变方块。
几百上千份不能一条条敲,用脚本扫。下面这段遍历目录、算哈希、探流,结果落成一张表:
```python
import csv, hashlib, subprocess
from pathlib import Path
def sha256(p, buf=1 << 20):
h = hashlib.sha256()
with open(p, "rb") as f:
for chunk in iter(lambda: f.read(buf), b""):
h.update(chunk)
return h.hexdigest()
def probe(p):
try:
r = subprocess.run(
["ffprobe", "-v", "error", "-select_streams", "v:0",
"-show_entries", "stream=codec_name", "-of", "csv=p=0", str(p)],
capture_output=True, text=True, timeout=30)
out = r.stdout
return out.strip() or "NO_VIDEO_STREAM"
except Exception as e:
return "ERR:" + type(e).__name__
rows = []
for p in Path("archives").rglob("*"):
if not p.is_file():
continue
ext = p.suffix
rows.append({
"path": str(p),
"size": p.stat().st_size,
"sha256": sha256(p),
"codec": probe(p) if ext.lower() in {".mp4", ".mov", ".mkv"} else "",
})
with open("体检清单.csv", "w", newline="", encoding="utf-8-sig") as f:
w = csv.DictWriter(f, fieldnames=["path", "size", "sha256", "codec"])
w.writeheader()
w.writerows(rows)
print("DONE", len(rows))
```
`sha256` 那段分块读,是为了一次不把大文件全塞进内存;`rglob("*")` 是递归找所有文件;最后 `utf-8-sig` 是给 Excel 留的 BOM,不然表头中文会乱码。
跑完看三列就够了:`codec` 为空的挑出来人工确认,`size` 明显偏小的警惕截断拷贝,哈希另存一份做基线——以后每半年重算一次,值不一样就说明有人动过或者盘出了问题。
[[IMG2]]
## 迁移留两笔账
发现解不开的,得转格式。转之前先把账立好,两笔。
第一笔是哈希。转之前算源文件,转之后再算目标文件,两个值都进台账。这东西证明不了内容对不对,但能证明「我转完之后它没再变过」,将来有人质疑,拿得出对账的凭据。
第二笔是人工抽检。脚本说能解码,不等于人看得下去。按批次抽,抽到的必须有人打开看两眼:画面是不是只有前几秒、声音在不在、关键画面有没有花屏。抽检比例写进台账,结论写「抽检通过」而不是「全部正常」——抽检本来就是抽样,别把话说满。
台账的字段别省:源文件哈希、目标文件哈希、用的什么工具和版本、谁在什么时候转的、抽检了哪几份、结论如何。少一样,五年后就没法复盘。
转的时候别急着转码。很多「打不开」只是外壳不认,里面的视频流根本没毛病,这种情况只换封装就行:
```bash
ffmpeg -i 2021-001-现场.mkv -c copy 2021-001-现场.mp4
```
`-c copy` 的意思是「流照搬、不重新编码」,几秒钟完事,画面一个像素不动。只有换了外壳还打不开,才轮到真正转码——那一步有损,能不做就不做。
同样的道理,PDF 字体没嵌,能补字体就别整份转成图片;表格公式失效,先看能不能把外部引用一起归档,别急着导出成 CSV。每往下走一级,丢的东西就多一层。
## 重复迁移别多做
同一批档案,今年转一次、明年又转一次,很容易转出三个版本,谁新谁旧说不清。
办法是把「源文件哈希 + 目标格式 + 工具版本」当成一条记录的主键。这三个都一样,就直接跳过:
```sql
CREATE TABLE migrate_log (
src_sha256 TEXT NOT NULL,
target_fmt TEXT NOT NULL,
tool_ver TEXT NOT NULL,
dst_sha256 TEXT,
at TEXT NOT NULL,
operator TEXT,
sample_ok INTEGER,
PRIMARY KEY (src_sha256, target_fmt, tool_ver)
);
INSERT OR IGNORE INTO migrate_log
(src_sha256, target_fmt, tool_ver, at, operator)
VALUES ('...', 'mp4/h264', 'ffmpeg-6.1', '2026-11-19', 'zhang');
```
`INSERT OR IGNORE` 的意思是:主键撞上了就不写、也不报错。同一份文件用同一个版本的工具重复跑,第二次什么都不会发生。换了工具版本才允许再生成一份,而且两份都留在台账里,为什么多出来一份,查得到。
工具版本为什么也算进主键?因为不同版本的转码器行为会变,同一份源文件用 5.x 和 6.x 转出来的结果可能不一样。把它当变量,才不至于把「工具升级导致的差异」误判成「文件被改过」。
回头想查某一类格式迁过几版,一条查询就够:
```sql
SELECT target_fmt, COUNT(*) FROM migrate_log GROUP BY target_fmt;
```
哪一类的数字明显偏大,多半是当年没做幂等,得人工比对一遍,把多余的版本挑出来。
## 别指望什么
别指望抽检能证明全部可读。抽一百份全过,只能说明这一百份没问题,剩下的还得等真有人打开。
别指望转码无损。视频二次压缩会掉细节,表格另存成 CSV 会把公式变成死值,版式转 PDF 可能丢图层。真要保真,源文件必须一起留着,转出来的只当「方便看的那一份」。
别指望格式标准一直不变。今天的主流格式,十年后可能只剩少数工具认。所以定期重做体检这事没有终点,只能定成规矩:每半年扫一次,每次记录数字,涨了还是跌了,一眼看得出。
别指望哈希能证明内容真实。它只能证明「从算完那一刻起没被改过」,证明不了当初录的就是真的。那是另一套工夫,得靠时间戳、设备日志、经办人签字这些互相印证。
档案管理的目标,从来不是「存下来」四个字,而是五年后有人要用的时候,打得开、看得懂、说清没被改过。三件事都占住,这份档案才算真的活着。这件事也没法一次做完,定进年度计划里,每年抽一个下午扫一遍,比出事后连夜抢救划算得多。