U盘采集器采集规则详细说明 v2.1

1总原则（一句话）

插U盘→ 双击★点我★→ 填信息点开始→ 扫全部磁盘/指定盘→ 3道关卡过滤→ 内网直推/落U盘

只收「文档 / 表格 / 图纸 / 压缩包 / 邮件」5类工作文件；跳过系统目录、软件自带垃圾、图片视频等一切非目标文件；内网能通直接推到 192.168.2.193:18790，不通落U盘待补传。

2收什么：三道关卡，层层过滤

关卡1 · 目录关卡（最关键）

路径里任何一层目录名命中黑名单 → 整棵子树跳过。两种匹配：精确匹配（目录名完全等于黑名单词）与包含匹配（目录名只要含黑名单词）。

例：D:\Kingsoft\WPS Office\help\ 含 help → 跳过
例：D:\CAD2024\install\ 含 install → 跳过
例：D:\AutoCAD 2024\DriverCache\ 含 driver → 跳过
例：C:\Users\张三\Documents\项目\ 未命中 → 正常采集

关卡2 · 扩展名关卡（白名单24种，其余一律不收）

类别	扩展名
文档	.doc .docx .wps .rtf .ofd .txt .md
表格	.xls .xlsx .et .csv
演示	.ppt .pptx .dps
PDF	.pdf
CAD图纸（重点）	.dwg .dxf .dwf .plt
压缩包	.zip .rar .7z
邮件	.msg .eml

关卡3 · 文件关卡

大小：100 字节～ 500MB。小于100字节（空文件）跳过；大于500MB跳过（多为安装包/录像/数据库）
文件名：命中软件自带特征名（readme / license / eula 等）→ 跳过

3不收什么（完整清单）

A. 扩展名级：一切非白名单格式都不收（白名单制，无漏网）

大类	扩展名举例	原因
图片	.jpg .jpeg .png .gif .bmp .tif .webp .svg	非文档资料
视频	.mp4 .avi .mkv .mov .wmv .flv	体积大、非文档
音频	.mp3 .wav .flac .aac .wma	非文档资料
可执行/安装	.exe .msi .bat .cmd .com .dll .sys	程序文件，危险且无用
三维模型	.step .stp .igs .iges .sldprt .sldasm .prt .asm .3dm .stl	按您要求暂不采集
数据库/工程文件	.mdb .accdb .sqlite .db .bak	软件数据
字体/驱动	.ttf .otf .fon .inf .drv	系统/软件文件
网页/脚本	.html .htm .js .py .php .xml .json	非业务文档
其他	.ini .cfg .log .dat .tmp .lnk .iso	配置/临时/系统文件

B. 目录级：黑名单（精确33个 + 包含29个）

精确匹配（目录名完全相等即跳过）

① 系统目录：Windows Program Files Program Files (x86) $Recycle.Bin System Volume Information AppData ProgramData Recovery Documents and Settings $WinREAgent PerfLogs Windows.old Intel AMD NVIDIA MSOCache Boot EFI
② 开发缓存：node_modules .git __pycache__ venv .venv .idea .vscode .cache pip npm-cache yarn bower_components
③ 采集器自身：待补传 日志 python38

包含匹配（目录名只要含下列词即跳过）

install setup update upgrade patch cache temp tmp backup sample example demo template locale lang font driver resource help 缓存 临时 备份 语言包 字体 补丁 驱动 回收站 安装包 安装文件

特别注意：黑名单里故意没有「安装方案 / 模板 / 说明书 / 文档」这类词——D:\安装方案\吊装方案.pdf、D:\投标模板\商务标.docx、设备使用说明书.pdf 都是正经业务文件，必须正常采集，不能误杀。已实测15条目录用例全部通过。

C. 文件名级：软件自带特征名

readme license eula changelog whatsnew release_notes read_me（命中即跳过）

4只扫指定盘（新增）

config.txt 里 scan_drives= 行：

空 = 扫全部固定盘（默认）
填 C,D = 只扫C盘和D盘，其他盘不碰
填 D,E = 只扫D盘和E盘（比如员工机只让扫资料盘）

系统目录（C:\Windows 等）无论扫哪个盘都会被目录关卡自动挡掉。

5边界原则：宁可多采，不可漏采

拿不准归属的文件：照采。收回来后由服务器端做二次清洗（按路径/文件名/大小再筛一遍，可疑文件进"待确认"）。
微信/QQ接收的文档：大多是员工实际工作文件，正常采集（图片视频已被扩展名关卡挡掉）。

6采多少（参考量，取决于电脑岗位）

电脑类型	预计文件数	预计体积	耗时
文员 / 行政	50 ~ 300 个	0.1 ~ 2 GB	3 ~ 8 分钟
技术 / 预算	200 ~ 2000 个	1 ~ 20 GB	8 ~ 20 分钟
图纸 / 设计岗	500 ~ 5000 个	5 ~ 50 GB	15 ~ 40 分钟

经验估算，实际取决于电脑存了多少资料；界面实时显示进度与预计剩余时间。

7怎么改规则（无需动代码）

打开U盘里的 config.txt（记事本即可）：

不想采压缩包：include_ext 行删掉 .zip,.rar,.7z
加排除目录：exclude_dirs_contains 行末尾加 ,词
放开500MB：改 max_size=524288000（单位字节）
只扫指定盘：scan_drives=C,D
改完保存，重新双击 ★点我-开始采集★.bat 即生效

8版本变更记录

版本	内容
v2.1（本版）	① 明确"不收"完整清单（图片/视频/音频/EXE/三维/数据库/字体/网页等全列出）；② 大小上限 200MB → 500MB；③ 目录黑名单升级包含匹配；④ 新增 `scan_drives` 只扫指定盘；⑤ 新增"安装包/安装文件"排除
v2.0	目录黑名单16→60个，路径任意层命中即跳过，新增文件名黑名单
v1.0	24种扩展名全采，16个系统目录黑名单