lei_y601/yj_resume
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity

简历提取

Browse Source
This commit is contained in:
yujj128
2025-12-06 11:19:09 +08:00
parent f1063146d2
commit ff1c0e890c
2 changed files with 75 additions and 18 deletions
Download Patch File Download Diff File Expand all files Collapse all files

1
requirements.txt
View File

@@ -2,6 +2,7 @@ python-docx
fastapi
uvicorn
docxtpl
python-multipart
PyMuPDF>=1.23.0
paddlepaddle>=2.5.0
paddleocr>=2.7.0.3

90
parse_resume2_doc.py → service/parse_resume2_doc.py
View File

@@ -97,6 +97,13 @@ class EnhancedDocxExtractor:
value = self._find_value_for_key(table, structure, row_idx, col_idx, visited, kv_pairs)
if value:
key = self._normalize_key(cell['text'])
found = False
kv_pairs = [(k,v+","+value)if k == cell['text'] else (k, v) for k,v in kv_pairs ]
for i, (k,v) in enumerate(kv_pairs):
if k == cell['text']:
kv_pairs[i] = (k,value)
found = True
if not found:
kv_pairs.append((key, value))
else:
@@ -110,8 +117,17 @@ class EnhancedDocxExtractor:
# 尝试右侧单元格
if key_col + 1 < len(structure[key_row]):
value_cell = structure[key_row][key_col + 1]
current_key_cell = structure[key_row][key_col]
if value_cell['is_key']:
return None
# 特殊处理学历
spec_coll = ['全日制教育','在职教育']
if current_key_cell['text'].replace('\n','') in spec_coll :
if not value_cell['text']:
value_cell['text'] = 'False'
else:
value_cell['text'] = 'True'
if value_cell['text'] and (key_row, key_col + 1) not in visited:
# 检查这个值是否与前一个键提取的值相同（可能是合并单元格）
if not self._is_key_duplicate_merged_cell(structure[key_row][key_col]['text'], kv_pairs):
@@ -119,6 +135,13 @@ class EnhancedDocxExtractor:
print(f"visited add {key_row} {key_col + 1}")
visited.add((key_row, key_col + 1))
return value_cell['text']
else:
current_key = structure[key_row][key_col]['text']
print(f"key值重复------------------------------key {current_key}")
for key, value in kv_pairs:
if key == current_key:
return value+","+value_cell['text']
# 尝试下方单元格
if key_row + 1 < len(structure):
@@ -165,14 +188,20 @@ class EnhancedDocxExtractor:
return False
def extract_parentheses_content(self, text):
# 使用正则表达式提取括号内的所有内容
matches = re.findall(r'[（(]([^）)]*)[）)]', text)
return matches # 返回列表，可能包含多个括号
def _is_likely_key(self, text: str) -> bool:
"""判断文本是否可能是键"""
if not text or len(text) > 20:
return False
# 检查是否包含常见字段词
key_indicators = ['籍贯','籍 贯','政治面貌','政治\n面貌','姓名','性别','姓 名', '性 别', '出生年月', '民族','民 族', '单位', '部门','联系地址','主要学习经历',
'职务','职 务','职\n务', '职称','职 称', '电话', '地址', '学历', '学位','现任职务','职业资格','奖惩情况'
key_indicators = ['籍贯','籍 贯','政治面貌','政治\n面貌','姓名','性别','姓 名', '性 别', '出生年月', '民族','民 族', '单位', '部门','联系地址','主要学习经历','全日制教育','在职教育',
'职务','职 务','职\n务', '职称','职 称', '电话', '地址', '学历', '学位','现任职务','职业资格','奖惩情况（近三年主要奖惩信息）'
'专业', '岗位', '经历', '时间', '资格','现任职单位及部门','身份证号','婚姻状况','健康状况','应聘岗位','应聘部门/岗位','毕业院校系及专业']
for indicator in key_indicators:
@@ -188,6 +217,30 @@ class EnhancedDocxExtractor:
if any(indicator in key_part for indicator in key_indicators):
return True
for indicator in key_indicators:
print("indicator is ===============================", indicator)
print("text is ===============================", text)
translation_table = str.maketrans('', '', ' \t\n\r\f\v')
indicator = indicator.translate(translation_table)
text = text.translate(translation_table)
clean_text = self.extract_parentheses_content(text)
print(text)
clean_indicator = self.extract_parentheses_content(indicator)
print(indicator)
if not clean_text:
print("特殊匹配失败")
return False
if clean_indicator:
print("开始匹配=========")
clean_text = clean_text[0]
clean_indicator = clean_indicator[0]
if clean_indicator in clean_text:
print(f"特殊情况匹配成功======={text}")
return True
else:
print("继续匹配")
continue
return False
def _is_likely_value(self, text: str) -> bool:
@@ -225,10 +278,10 @@ class EnhancedDocxExtractor:
def _categorize_field(self, key: str) -> str:
"""将字段分类"""
categories = {
'基本信息': ['姓名', '性别', '出生年月', '民族', '政治面貌','学历学位','毕业院校系及专业'
'婚姻状况', '健康状况', '籍贯', '身份证号','联系电话','婚姻状况','健康状况','身份证号','联系电话（手机）','毕业院校系及专业','联系地址','主要学习经历','奖惩情况'],
'基本信息': ['姓名', '性别', '出生年月', '民族', '政治面貌','学历学位','毕业院校系及专业','全日制教育','在职教育'
'婚姻状况', '健康状况', '籍贯', '身份证号','联系电话','婚姻状况','健康状况','身份证号','联系电话（手机）','毕业院校系及专业','联系地址','主要学习经历','奖惩情况（近三年主要奖惩信息）'],
'工作信息': ['现任职单位及部门', '现任职务', '职称', '职业资格',
'参加工作时间', '职称取得时间','应聘部门/岗位','是否接受调剂职级/岗位'],
'参加工作时间', '职称取得时间','应聘部门/岗位','是否接受调剂职级/岗位','奖惩情况（近三年主要奖惩信息）'],
}
for category, fields in categories.items():
@@ -287,9 +340,9 @@ def quick_extract(docx_path: str):
base_map = ['姓名','性别','籍贯','政治面貌','出生年月','身份证号','现居住地','民族','学历','学位','学历学位','特长','联系电话','联系电话（手机）',
'婚姻状况','健康状况','毕业院校系及专业','主要学习经历','联系地址','入党/团时间']
'婚姻状况','健康状况','毕业院校系及专业','主要学习经历','联系地址','入党/团时间','全日制教育','在职教育','奖惩情况（近三年主要奖惩信息）']
work_map = ['参加工作时间','现任职单位及部门','职务','现任职务','职称','奖惩','工作经历','主要工作经历','职称取得时间','职业资格','应聘部门/岗位']
other_map = ['奖惩','工作经历','主要工作经历','职称取得时间','职业资格','应聘部门/岗位','是否接受调剂职级/岗位']
other_map = ['工作经历','主要工作经历','职称取得时间','职业资格','应聘部门/岗位','是否接受调剂职级/岗位']
@@ -297,32 +350,35 @@ def fetch_info(data):
map_word = base_map + work_map + other_map
print("data is {0}".format(data))
print("map_word is {0}".format(map_word))
final_res = {}
for key, value in data.items():
translation_table = str.maketrans('', '', ' \t\n\r\f\v')
clean_key = key.translate(translation_table)
print(f"key is {clean_key} ")
if clean_key in map_word:
clean_value = value.translate(translation_table)
final_res.append({clean_key:clean_value})
# clean_value = value.translate(translation_table)
final_res[clean_key] = value
return final_res
if __name__ == "__main__":
# 使用方法
docx_file = "./1.报名登记表.docx" # 替换为你的文件
result = quick_extract(docx_file)
def extra_resume(file_path):
result = quick_extract(file_path)
print(result)
final_res = []
base_data = result['基本信息']
work_data = result['工作信息']
other_data = result['其他信息']
final_result = []
data = {}
data.update(base_data)
data.update(work_data)
data.update(other_data)
res = fetch_info(data)
print(res)
return res
if __name__ == "__main__":
# 使用方法
docx_file = "../1.报名登记表.docx" # 替换为你的文件
print(extra_resume(docx_file))