import re import json from pathlib import Path from docx import Document from typing import Dict, List, Any, Tuple from collections import defaultdict class EnhancedDocxExtractor: def __init__(self): # 定义字段名称的多种变体 self.field_variants = { '姓名': ['姓名', '姓 名', '姓 名', '姓名：', '姓 名：','姓 名'], '性别': ['性别', '性 别', '性 别', '性别：', '性 别：','性 别'], '出生年月': ['出生年月', '出生年月：', '出生日期', '出生日期：'], '民族': ['民族', '民族：', '民 族'], '政治面貌': ['政治面貌', '政治面貌：', '政治面貌：'], '现任职单位及部门': ['现任职单位及部门', '单位及部门', '工作单位', '现任职单位'], '联系电话': ['联系电话', '电话', '手机', '联系电话：', '手机号'], '联系地址': ['联系地址', '地址', '联系地址：', '家庭地址'], '学历学位': ['学历', '学历：', '学 历', '学历\n学位','学位','学位：','学 位'], '毕业院校': ['毕业院校', '毕业学校', '毕业院校：','毕业院校系及专业'], '专业': ['专业', '专业：', '系及专业', '所学专业'], } def extract_with_table_structure(self, docx_path: str) -> Dict[str, Any]: """ 提取 .docx 中的表格结构数据 """ doc = Document(docx_path) results = defaultdict(dict) # 分析每个表格 for table_idx, table in enumerate(doc.tables): print(f"\n处理表格 {table_idx + 1} ({len(table.rows)}行 × {len(table.columns)}列)") # 获取表格结构 table_structure = self._analyze_table_structure(table) # 提取键值对 kv_pairs = self._extract_from_table_structure(table, table_structure) # 分类存储 for key, value in kv_pairs: category = self._categorize_field(key) results[category][key] = value # 提取段落中的信息 paragraph_info = self._extract_from_paragraphs(doc.paragraphs) for key, value in paragraph_info: category = self._categorize_field(key) results[category][key] = value return dict(results) def _analyze_table_structure(self, table) -> List[List[Dict]]: """ 分析表格结构，返回每个单元格的元信息 """ structure = [] for row_idx, row in enumerate(table.rows): row_info = [] for col_idx, cell in enumerate(row.cells): cell_text = cell.text.strip() # 分析单元格属性 cell_info = { 'text': cell_text, 'row': row_idx, 'col': col_idx, 'rowspan': 1, 'colspan': 1, 'is_key': self._is_likely_key(cell_text), 'is_value': self._is_likely_value(cell_text), } row_info.append(cell_info) structure.append(row_info) return structure def _extract_from_table_structure(self, table, structure) -> List[Tuple[str, str]]: """ 从表格结构中提取键值对 """ kv_pairs = [] visited = set() key_recode = [] for row_idx, row in enumerate(structure): for col_idx, cell in enumerate(row): print(f"visited is {visited} ") print(f'row {row_idx} col {col_idx} all cell is {cell}') if (row_idx, col_idx) in visited: print(f'---{row_idx}, {col_idx} ') print(f'cell is {cell}') continue if cell['is_key']: next_cell = structure[row_idx][col_idx+1] # 寻找对应的值 print(f"cell2 is {cell} row {row_idx} col {col_idx}") 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: print("不是key") return kv_pairs def _find_value_for_key(self, table, structure, key_row, key_col, visited, kv_pairs) -> str: """ 为键找到对应的值 """ # 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): print("前一个不重复") 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): value_cell = structure[key_row + 1][key_col] if value_cell['text'] and (key_row + 1, key_col) 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): print("下一个不重复") print(f"visited add {key_row} {key_col + 1}") visited.add((key_row + 1, key_col)) return value_cell['text'] # 尝试合并单元格的情况 for row_idx in range(len(structure)): for col_idx in range(len(structure[row_idx])): cell = structure[row_idx][col_idx] if (row_idx, col_idx) not in visited and cell['text']: # 检查是否在键的附近 if abs(row_idx - key_row) <= 2 and abs(col_idx - key_col) <= 2: # 检查这个值是否与前一个键提取的值相同 if not self._is_key_duplicate_merged_cell(structure[key_row][key_col]['text'], kv_pairs): print("合并不重复") print(f"visited add {key_row} {key_col + 1}") visited.add((row_idx, col_idx)) return cell['text'] return None def _is_key_duplicate_merged_cell(self, text, kv_pairs) -> bool: """ 检查当前文本value是否可能和已收录的kv集合里的key值重复 如下例：1行0列 ，2行0列 都是毕业院校 第一次 1行0列:1行2列组成key:value 第二次到2行0列，检测到 毕业院校已出现在kv_pairs中，不再组合2行0列:2行1列 | 硕士学位/研究生学历：中国科学院计算技术研究所计算机技术专业 毕业院校 |—————————————————————————————————————————————————— | |———————————————————————————————————————————————————— """ for k, v in kv_pairs: if text == k: return True 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','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: translation_table = str.maketrans('', '', ' \t\n\r\f\v') indicator = indicator.translate(translation_table) text = text.translate(translation_table) if indicator in text: return True # 检查是否有冒号（中文文档常用） if '：' in text or ':' in text: key_part = text.split('：')[0].split(':')[0] 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: """判断文本是否可能是值""" if not text: return False # 值通常不是常见的字段名 if self._is_likely_key(text): return False # 值可能包含特定内容 if re.match(r'^\d{11}$', text): # 手机号 return True if re.match(r'^\d{4}年', text): # 日期 return True if len(text) > 10: # 长文本可能是值 return True return True def _normalize_key(self, key_text: str) -> str: """标准化键名""" # 移除冒号和空格 key_text = re.sub(r'[：:\s]+$', '', key_text) # 映射到标准键名 for std_key, variants in self.field_variants.items(): for variant in variants: if variant == key_text or key_text in variant: return std_key return key_text 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','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','奖惩情况（近三年主要奖惩信息）'], } for category, fields in categories.items(): translation_table = str.maketrans('', '', ' \t\n\r\f\v') key = key.translate(translation_table) if key in fields: # print(f"filed is {fields} key is {key} ") return category return '其他信息' def _extract_from_paragraphs(self, paragraphs) -> List[Tuple[str, str]]: """从段落中提取信息""" kv_pairs = [] for para in paragraphs: text = para.text.strip() if not text: continue # 尝试提取冒号分隔的键值对 if '：' in text or ':' in text: separator = '：' if '：' in text else ':' parts = text.split(separator, 1) if len(parts) == 2: key = parts[0].strip() value = parts[1].strip() if self._is_likely_key(key) and value: normalized_key = self._normalize_key(key) kv_pairs.append((normalized_key, value)) return kv_pairs # 快速使用示例 def quick_extract(docx_path: str): """快速提取并显示结果""" extractor = EnhancedDocxExtractor() try: result = extractor.extract_with_table_structure(docx_path) print("\n提取结果 (键值对格式):") print("=" * 60) for category, fields in result.items(): if fields: print(f"\n{category}:") for key, value in fields.items(): print(f" {key}: {value}") return result except Exception as e: print(f"提取失败: {e}") 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','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 = ['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'] 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[clean_key] = value return final_res def extra_resume(file_path): result = quick_extract(file_path) print(result) base_data = result['基本信息'] work_data = result['工作信息'] other_data = result['其他信息'] data = {} data.update(base_data) data.update(work_data) data.update(other_data) res = fetch_info(data) 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))