# 龙辉起重 U盘采集器 · 采集规则详细说明 v2.1

> 发布日期：2026-10-18（v2.1）| 适用：GUI版采集器（config.txt 规则 v2.1）

## 一、总原则（一句话）

插U盘 → 点开始 → 自动扫电脑**所有分区（可指定只扫某几个盘）** → 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** → 内网直推服务器，不通则落U盘待补传。

## 二、收什么：三道关卡，层层过滤

### 关卡1 · 目录关卡（最关键）

扫盘时，**路径里任何一层目录名**命中黑名单 → 整棵子树直接跳过，一棵都不进。黑名单分两种匹配：

- **精确匹配**：目录名完全等于黑名单词 → 跳过（系统目录、开发缓存）
- **包含匹配**：目录名只要**包含**黑名单词 → 跳过（软件特征目录）

> 例：`D:\Kingsoft\WPS Office\help\` 含 `help` → 跳过；
> `D:\CAD2024\install\` 含 `install` → 跳过；
> `D:\AutoCAD 2024\DriverCache\` 含 `driver` → 跳过；
> `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（超过500MB的文档极罕见，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

## 三、不收什么（完整清单）

### A. 扩展名级：一切非白名单格式都不收

| 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 | 您要求暂不采集 |
| 数据库/工程文件 | .mdb .accdb .sqlite .db .bak | 软件数据，服务器端用不上 |
| 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（如需采.md已含） |
| 其他 | .ini .cfg .log .dat .tmp .lnk .iso | 配置/临时/系统文件 |

> 采集器是**白名单制**：只收上面24种，其余扩展名一律不收，不存在"漏网"。

### 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——因为 `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）

## 四、还可以只扫指定盘（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。

## 五、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）。

## 六、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；界面实时显示进度与预计剩余时间。

## 七、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

## 八、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**（目录名含软件特征词即跳过）；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 |