尧图网站建设 
简介这是一份面向计算机相关专业课程设计或毕业设计的Python智能简历解析系统源码重点解决简历结构化信息抽取与人岗匹配两个问题。系统调用Grok-beta大模型完成简历解析并通过google-bert/bert-base-chinese预训练模型结合语义相似度与结构化数据相似度实现岗位匹配整体技术思路清晰适合希望快速上手大模型应用与文本匹配项目的学习者参考。压缩包共9个文件以6个Python源码文件为主辅以YAML配置、停用词表和Markdown说明文档包体仅19KB结构紧凑、便于阅读与二次开发。其中源码覆盖主程序、轮询、匹配、AI模型调用与提示词管理等功能模块配置和说明文件可帮助理解运行流程。目前已有75人学习下载对于需要完成课程设计或毕业设计任务的同学是一份轻量且可直接拓展的参考资料。1. 智能简历解析到底在解什么从一份PDF到结构化字段如果你也曾在招聘网站挂出一份简历然后被HR以“未通过初筛”秒拒多半不是能力问题而是简历里的关键信息没有被系统结构化。所谓智能简历解析就是把PDF、Word里散落的姓名、邮箱、工作经验、技能标签抽成一条条字段再跟岗位要求对比生成匹配分。课程设计选这个题性价比很高它同时踩中Python文件处理、正则、中文分词、简单匹配算法四个知识点而且有明确的验收指标。我见过太多同学对着源码包干瞪眼实际是没搞懂解析链路——不是算法太难是PDF表格和docx样式占了一半工作量。适合想用Python做一个能演示、能答辩、还能真跑通的小系统的你。先别急着调模型把“文件到文本文本到字段字段到评分”这条主线立住系统就跑起来了。2. 解析链路选型与预处理为什么Python生态最适合做这件事2.1 解析前的现实简历格式比算法更难对付简历解析的难点不在“智能”而在格式。招聘网站导出的PDF、Word直接排版、Markdown简历、甚至截图转PDF文件结构完全不一样。做课程设计时我一般先定一条规则所有格式最终归一成纯文本再在文本上做字段抽取。这样后面所有逻辑只面对一份字符串而不是面对pdfplumber对象或docx段落对象。输入格式常见来源首选解析库主要注意点PDF招聘平台导出、扫描件pdfplumber扫描件没有文本层需要OCRdocxWord编辑导出python-docx表格内容会被paragraphs漏掉HTML在线简历、猎聘等BeautifulSoup嵌套div结构不固定需针对性写选择器txt / md程序员投递直接读文件编码乱码最烦人选型理由也很简单pdfplumber基于pdfminer.six对普通文本PDF的提取速度和准确度都够用python-docx能直接读Word段落和表格如果课程设计里只要求处理PDF和docx这两件套就够了。OCR这步能省则省专业OCR要装tesseract还要下载中文语言包对环境要求高作为加分项放到后面。2.2 最小工程目录与依赖安装很多同学从免费python源码大全里下载项目跑不起来的原因九成是环境没固定。我给一个能直接落地的环境安装命令Python版本建议3.10足够稳定也兼容当前主流的解析库。conda create -n resume python3.10 -y conda activate resume pip install pdfplumber python-docx beautifulsoup4 lxml jieba openpyxl这里解释一下pdfplumber负责PDF文本抽取python-docx负责Wordjieba负责中文分词openpyxl用于把匹配结果导出Excel便于答辩展示。如果之后要加OCR再加pytesseract和Pillow。目录结构我习惯这样组织课程设计答辩时老师看到这个结构就知道你有工程意识。resume_system/ ├── data/ │ ├── raw_pdfs/ # 原始简历 │ └── parsed/ # 解析后的JSON结果 ├── src/ │ ├── parser.py # 简历结构化解析 │ ├── matcher.py # 人岗匹配逻辑 │ └── utils.py # 公共工具 ├── tests/ │ └── test_data/ # 测试简历 └── main.py # 主入口2.3 把不同格式统一成纯文本预处理函数统一文本这一步最怕“能跑但抽不到内容”。下面这个函数是整套系统的起点我把它拆开讲清楚。import os import pdfplumber from docx import Document def extract_raw_text(file_path: str) - str: ext os.path.splitext(file_path)[1].lower() if ext .pdf: with pdfplumber.open(file_path) as pdf: # 有些PDF页面没有文本层extract_text()会返回None return \n.join(page.extract_text() or for page in pdf.pages) if ext .docx: doc Document(file_path) parts [p.text for p in doc.paragraphs if p.text.strip()] # 表格里的内容也必须读出来很多简历把技能放在表格里 for table in doc.tables: for row in table.rows: cells [cell.text.strip() for cell in row.cells] parts.append( | .join(cells)) return \n.join(parts) if ext in (.txt, .md): # errorsignore 能避免部分地区文件编码不规范导致崩溃 with open(file_path, r, encodingutf-8, errorsignore) as f: return f.read() raise ValueError(f暂不支持该格式: {ext})这个函数有三个关键参数要留心。第一page.extract_text() or 如果PDF是扫描件extract_text()返回None直接拼接会报错这里统一变成空字符串。第二docx必须单独遍历doc.tables因为表格内容不属于paragraphs漏了这一步Word简历里的“技能特长”往往就消失了。第三txt读取用errorsignore遇到编码问题不会中断但可能丢字所以后续正则抽取要做好脏数据处理。做完这一步后面的解析、匹配全部只面对一个字符串。这也是为什么我会把预处理单独抽出来——它能让你在答辩时理直气壮地说“系统支持格式扩展”。3. 用Python把简历拆成字典解析核心实现与参数调优3.1 区块切分中文简历的“标题-正文”模式中文简历结构相对固定常见区块有“基本信息”“教育经历”“工作经历”“项目经历”“技能清单”“自我评价”。基于这个特点做“标题-正文”切分比训练一个序列标注模型更可控也更容易在课程设计里解释。import re SECTION_TITLE_PATTERN re.compile( r(?m)^\s*((?:基本信息|个人资料|教育背景|教育经历| r工作经历|实习经历|项目经历|技能[\s ]*清单|自我评价|个人总结)) r\s*[:\]?\s*$ ) def split_sections(raw_text: str): lines raw_text.splitlines() sections [] current_title 基本信息 current_lines [] for line in lines: match SECTION_TITLE_PATTERN.match(line.strip()) if match: if current_lines: sections.append((current_title, \n.join(current_lines).strip())) current_title match.group(1) current_lines [] else: current_lines.append(line) if current_lines: sections.append((current_title, \n.join(current_lines).strip())) return sections这里正则有几个参数值得说明。(?m)使^和$按行匹配避免“工作经历”出现在正文中间被误判成标题\s*可以吞掉标题前空格最后[:\]?处理中文全角冒号和英文冒号两种写法。注意“技能清单”和“技能特长”在这里被合并成一个模式实际简历里写法千奇百怪比如“技能/特长”你需要按自己收集到的样本扩充这个正则。实际跑下来最常踩的坑是“项目经历校园ERP系统”这种带括号的标题。上面正则匹配不到会被归到上一个区块。我一般会再补一条规则如果一行以“项目经历”“工作经历”开头并且后面是括号就把括号内容当作项目名仍然作为一个区块标题。课程设计阶段先保证最常见的标准标题能切对就已经领先一大截。3.2 邮箱电话和技能标签正则参数与关键词库区块切好后基本信息里的邮箱和电话用正则抽取技能用关键词库加中文分词补全。这两个函数的参数是全场最容易翻车的点。import re import jieba def extract_contact(text: str): email re.search( r[A-Za-z0-9._%-][A-Za-z0-9.-]\.[A-Za-z]{2,}, text ) # 去掉空格和短横线避免 “1 38 0000 0000” 这种写法漏匹配 normalized_phone_text text.replace( , ).replace(-, ) phone re.search(r(?!\d)1[3-9]\d{9}(?!\d), normalized_phone_text) return { email: email.group(0) if email else None, phone: phone.group(0) if phone else None, } SKILL_TAGS [ python, java, sql, mysql, linux, docker, spark, flink, tensorflow, pytorch, flask, django, 机器学习, 数据分析, 自然语言处理 ] def extract_skills(text: str): lowered_text text.lower() found [] for tag in SKILL_TAGS: if tag.lower() in lowered_text: found.append(tag) # 有些简历写“精通Python/Java”逗号分隔导致子串匹配漏掉 words set(jieba.lcut(lowered_text)) for tag in SKILL_TAGS: if tag.lower() in words and tag not in found: found.append(tag) return list(set(found))电话正则里的(?!\d)和(?!\d)是边界断言防止身份证号里连续11位数字被误判成手机号手机号前导1[3-9]覆盖目前主流号段。邮箱正则允许点号、下划线、百分号这是RFC规范里合法的本地部分不要只写\w\w\.\w那样会漏掉vip.liexample.com。技能匹配这里我用的是“子串包含 jieba精确词”双通道。子串包含能匹配“熟悉python爬虫”里的pythonjieba补全能匹配“Python/Java”这种复合简历写法。技能关键词库需要由你按目标岗位扩充课程设计通常可以放15到30个太多会有虚高问题后面人岗匹配章会细说。3.3 输出JSON和SQLite让后续匹配有干净的数据结构解析结果必须落成结构化数据。我一直建议用JSON做中间格式因为字段可变、人眼可读、也方便导出SQLite存档。import sqlite3 import json class ResumeParser: def __init__(self, file_path: str): self.file_path file_path self.raw_text extract_raw_text(file_path) self.sections split_sections(self.raw_text) self.contact extract_contact(self.raw_text) self.skills extract_skills(self.raw_text) def to_dict(self): return { file: self.file_path, contact: self.contact, sections: dict(self.sections), skills: self.skills, } def save_to_sqlite(data: dict, db_path: str resumes.db): conn sqlite3.connect(db_path) c conn.cursor() c.execute( CREATE TABLE IF NOT EXISTS resumes (id INTEGER PRIMARY KEY, file TEXT, content_json TEXT) ) c.execute( INSERT INTO resumes (file, content_json) VALUES (?, ?), (data[file], json.dumps(data, ensure_asciiFalse)), ) conn.commit() conn.close()这里有一个“反面教材”要提醒你dict(self.sections)会把重复的区块名覆盖掉。比如简历里有两段“项目经历”后一段会顶掉前一段。正确做法是把sections保留成列表to_dict()里用列表存。课程设计为了省事可以先用dict但答辩时如果被问到重复区块就会尴尬。我实际做时会写一个normalized_sections()函数把同名校验合并再把内容用换行拼起来。SQLite存JSON只是快照真正的后续匹配直接读内存字典不要每次跑SQL。到这里一份简历已经变成了一个包含联系方式、区块列表、技能标签的Python字典。下一步就是用人岗匹配把这份字典和岗位JD联系起来。4. 人岗匹配不是算相似度岗位画像与匹配分公式4.1 岗位画像的两种来源规则词表与向量库很多人一上来就想用BERT计算简历和JD的余弦相似度但在课程设计里这是给自己挖坑。原因很简单你需要解释为什么90分、60分、30分规则词表能做到每一条都有依据。岗位画像我建议先用规则词表等主流程跑通后再考虑向量库。岗位画像本质是三个子清单硬性要求必须会、加分项了解更好、其他条件学历、年限。下面用一份数据分析岗示例。def build_job_profile(jd_text: str): # 课程设计可以手写规则也可以写个简单正则从JD里抽 # 更粗糙的做法直接在代码里维护一个字典 profile { must_have: [python, sql, 数据清洗, excel], nice_have: [pytorch, 可视化, 机器学习], degree: 本科, years: 1, } return profile从JD文本自动抽画像一般是先分词再用预设技能库做交集。我建议在课程设计里把岗位画像做成可配置的字典分别给两个岗位JD让答辩老师看到“换岗位描述匹配结果会不同”。自动抽词可以作为加分项但不要作为主功能。4.2 带权重的匹配分公式与阈值调节匹配分公式不复杂关键是权重分配要合理。我常用的公式硬性技能命中率占70%加分技能命中率占30%。这是技术类岗位的常见倾向如果做运营或销售岗可以把权重调成50/50让加分项的作用变大。def compute_match_score(resume_dict: dict, job_profile: dict): resume_skills set(s.lower() for s in resume_dict[skills]) must_have set(s.lower() for s in job_profile[must_have]) nice_have set(s.lower() for s in job_profile[nice_have]) must_rate len(resume_skills must_have) / max(len(must_have), 1) nice_rate len(resume_skills nice_have) / max(len(nice_have), 1) score round(100 * (0.7 * must_rate 0.3 * nice_rate), 2) return { score: score, hit_must: sorted(resume_skills must_have), hit_nice: sorted(resume_skills nice_have), miss_must: sorted(must_have - resume_skills), }参数设计的核心是“不要出现除数为0”。max(len(...), 1)保护了JD里没写必备技能时不会崩溃如果两份简历同样命中两个技能但一个项目经历写得详细这个公式是看不出来的。所以要继续优化把项目经历文本的匹配加进来。我一般会再加一个文本匹配分把“项目经历”区块里的文本分词与JD里的描述词做重合度然后按0.2的权重混入总分。也就是说最终分数 硬性技能分 * 0.5 项目经历文本匹配分 * 0.2 加分技能分 * 0.3。权重可以根据自己的测试集调但要记住一个原则硬性技能必须占最大头文本匹配只能作为辅助否则“自我评价”会严重带偏结果。阈值建议高于80分进入面试60到80待定低于60不匹配。这个阈值不能代表真实招聘决策但课程设计评价标准就是看“能否区分不同简历”能做到区分就合格。4.3 返回匹配理由不只返回分数答辩的时候老师最常问的是“为什么这份简历匹配度高”。所以匹配结果一定要带上命中和缺失字段。下面这个主流程函数把前面的解析和评分串起来。from pathlib import Path def analyze_directory(resume_dir: str, job_profile: dict): results [] for file_path in Path(resume_dir).glob(*): if file_path.suffix.lower() not in (.pdf, .docx, .txt): continue parser ResumeParser(str(file_path)) resume_data parser.to_dict() match compute_match_score(resume_data, job_profile) results.append({ file: file_path.name, resume: resume_data, match: match, }) print( f{file_path.name}: {match[score]}分 | f命中{,.join(match[hit_must])} | f缺少{,.join(match[miss_must])} ) return results注意这个循环里每次都会重新打开PDF或docx文件句柄由pdfplumber的上下文管理器自动关闭。如果简历量大建议解析一次并存缓存再把缓存数据交给匹配函数不然简历一多循环会越来越慢。这里为了方便演示没有加缓存但在课程设计报告里可以写成“简历解析结果缓存到SQLite匹配时走内存查询”老师会认为你考虑过性能。到这一步系统已经能对多份简历做排序了。但距离“答辩稳过”还差一口气因为真实简历的脏数据会让你的解析翻车。5. 课程设计最常踩的五个坑解析失败、乱码与匹配失真5.1 PDF有扫描件也有文本层直接抽出空文本现象某份简历解析出来后raw_text是空字符串后面所有字段全是None匹配分直接0。原因这份PDF是扫描件或图片导出的没有文本层pdfplumber自然抽不出字。不是代码错是文件本身没有可用文本。解决在extract_raw_text里检测返回文本的长度如果低于20个字符打印警告并提示用OCR。课程设计阶段不建议自己训练OCR直接调pytesseract加中文语言包就行。import pytesseract from PIL import Image import fitz # PyMuPDF def ocr_pdf(pdf_path: str) - str: doc fitz.open(pdf_path) texts [] for page in doc: pix page.get_pixmap(dpi200) img Image.open(pix.tobytes(png)) texts.append(pytesseract.image_to_string(img, langengchi_sim)) return \n.join(texts)这里的dpi200是参数坑太低了OCR识别率差太高了输出图片过大导致速度慢。200对普通文字够用。OCR识别结果仍有错字所以后续正则抽取邮箱电话时要做简单容错比如电话里可能混入中文逗号。5.2 docx解析丢失表格内容现象一份Word简历里明明写了“SQL熟练”但解析出的技能列表里没有sql。原因python-docx的doc.paragraphs不包含表格内容技能往往放在“专业技能”表格里不在正文段落中。解决在extract_raw_text里必须遍历doc.tables。我之前给出的预处理函数已经处理了表格但要注意合并单元格会造成重复内容比如一个单元格被row合并后会重复出现在不同行。解决办法是保存一个已出现文本的集合用set去重后再拼接。这个坑很隐蔽因为不报错只会让你解析结果多出重复文本影响匹配分。5.3 全角半角与正则的匹配玄学现象电话正则匹配不到用debug看才发现原文是“ ”全角数字。原因用户输入时用了中文输入法数字和冒号都是全角\d和:?都匹配不到。解决在预处理最前面加一步unicodedata.normalize(NFKC, text)把全角字符转半角顺便把全角空格变成普通空格。注意不要在转换前就去空格转换后再统一处理。这一步还能解决中文简历里“工作经历”全角冒号切不出来的问题。正则匹配的玄学本质上都是原始文本没有规范化。5.4 技能匹配被“自我评价”带偏权重分布不对现象两份简历一份自我评价写满“python、机器学习”但没有实际项目另一份项目经历里明确写了用PyTorch做图像分类。匹配分却是前者更高。原因所有区块文本被混在一起抽技能“会一点”和“做过项目”在技能层面无法区分。解决把技能抽取按区块分开技能清单和项目经历里的技能标记为“熟练”自我评价里的技能标记为“了解”。匹配计算时熟练技能权重给1.0了解技能权重给0.5。再进一步可以在匹配分里加入“项目经历文本包含的JD描述词数量”。我一般这样处理先用split_sections取出“项目经历”把这段文本分词后与JD的must_have做交集交集越多项目经历匹配度越高。这个字段能避免简历里“精通”满天飞导致匹配虚高。5.5 测试集太少导致答辩翻车现象本地跑通一份简历信心满满答辩时老师随手拿来一份真实简历解析结果全乱甚至直接报错。原因只用一两份简历验证没有覆盖“扫描件、表格、全角、空行、无技能字段”这些边界情况。解决准备至少10份不同样式的简历越多越好。每份简历人工标注期望抽出的字段用标注结果跑回归测试。具体的验证脚本我会在下一章给出。这个习惯能让你在答辩时自信地说“测试集覆盖了PDF、docx、扫描件、含表格简历四种类型”比临时解释翻车原因好一百倍。6. 让答辩老师信服的验证方法用测试集证明系统有效6.1 准备10份标注简历算准确率和召回率课程设计不能只给“看起来跑通了”的演示要拿出量化指标。对技能匹配我用准确率和召回率来衡量对联系方式用完全匹配率。标注格式是一个简单字典真实期望抽出的email、phone、skills列表。def evaluate(predicted: dict, golden: dict): p_skills set(predicted[skills]) g_skills set(golden[skills]) precision len(p_skills g_skills) / max(len(p_skills), 1) recall len(p_skills g_skills) / max(len(g_skills), 1) contact_ok ( predicted[contact][email] golden[email] and predicted[contact][phone] golden[phone] ) return { precision: round(precision, 2), recall: round(recall, 2), contact_ok: contact_ok, }准确率衡量抽出的技能里有多少是真正的技能召回率衡量真实技能里有多少被抽出来。注意max(len(p_skills), 1)这个保护参数如果解析器什么都没抽到分母为0就会抛异常。我在跑测试集时见过太多次这种崩溃所以对分母一律做防0处理。联系方式这里只判对错不能算精确率因为邮箱电话是唯一值。6.2 把匹配结果可视化答辩展示时一张柱状图胜过十页文字。用matplotlib把匹配分画出来并把命中和缺失的技能列在图片下方老师一眼就能看出系统在做什么。import matplotlib.pyplot as plt import numpy as np def plot_scores(results): scores [r[match][score] for r in results] labels [r[file] for r in results] plt.figure(figsize(8, 5)) plt.bar(labels, scores, colorcornflowerblue) plt.axhline(80, colorgreen, linestyle--, label面试阈值) plt.axhline(60, colororange, linestyle--, label待定阈值) plt.xticks(rotation45) plt.ylabel(匹配分) plt.legend() plt.tight_layout() plt.savefig(match_scores.png, dpi150)这里的两个阈值线就是4.2里的参数答辩时可以对比说明“如果权重调成0.5/0.5这些简历的排序会怎么变化”。这能体现你对参数的理解而不是只会跑脚本。6.3 后续可扩展点从规则到小模型如果做完课程设计还有精力可以往两个方向扩展一是把技能关键词库替换成word2vec或fastText向量让“深度学习”和“神经网络”这类近义词也能互相匹配二是用BERT对简历区块做序列标注自动识别不规整的“工作经历”标题。但我要给你一句忠告先别做模型把规则版解析和人岗匹配稳定跑起来比一上来就微调BERT更容易拿到好成绩。规则版是你能解释清楚的底盘模型是你展示“懂新方法”的加分项。我在每次交付课程设计前会强制自己用全新的10份简历重跑一遍测试集只要有任何一份解析的字段和标注不一致就回到正则或区块切分去补样例。这个习惯让我少挨了很多答辩老师的追问。如果你也把这个验证流程做成脚本大概率不会再出现现场翻车的尴尬。希望帮到你。本文还有配套的精品资源点击获取 Python智能简历解析与匹配系统实战：从PDF到人岗匹配
简介这是一份面向计算机相关专业课程设计或毕业设计的Python智能简历解析系统源码重点解决简历结构化信息抽取与人岗匹配两个问题。系统调用Grok-beta大模型完成简历解析并通过google-bert/bert-base-chinese预训练模型结合语义相似度与结构化数据相似度实现岗位匹配整体技术思路清晰适合希望快速上手大模型应用与文本匹配项目的学习者参考。压缩包共9个文件以6个Python源码文件为主辅以YAML配置、停用词表和Markdown说明文档包体仅19KB结构紧凑、便于阅读与二次开发。其中源码覆盖主程序、轮询、匹配、AI模型调用与提示词管理等功能模块配置和说明文件可帮助理解运行流程。目前已有75人学习下载对于需要完成课程设计或毕业设计任务的同学是一份轻量且可直接拓展的参考资料。1. 智能简历解析到底在解什么从一份PDF到结构化字段如果你也曾在招聘网站挂出一份简历然后被HR以“未通过初筛”秒拒多半不是能力问题而是简历里的关键信息没有被系统结构化。所谓智能简历解析就是把PDF、Word里散落的姓名、邮箱、工作经验、技能标签抽成一条条字段再跟岗位要求对比生成匹配分。课程设计选这个题性价比很高它同时踩中Python文件处理、正则、中文分词、简单匹配算法四个知识点而且有明确的验收指标。我见过太多同学对着源码包干瞪眼实际是没搞懂解析链路——不是算法太难是PDF表格和docx样式占了一半工作量。适合想用Python做一个能演示、能答辩、还能真跑通的小系统的你。先别急着调模型把“文件到文本文本到字段字段到评分”这条主线立住系统就跑起来了。2. 解析链路选型与预处理为什么Python生态最适合做这件事2.1 解析前的现实简历格式比算法更难对付简历解析的难点不在“智能”而在格式。招聘网站导出的PDF、Word直接排版、Markdown简历、甚至截图转PDF文件结构完全不一样。做课程设计时我一般先定一条规则所有格式最终归一成纯文本再在文本上做字段抽取。这样后面所有逻辑只面对一份字符串而不是面对pdfplumber对象或docx段落对象。输入格式常见来源首选解析库主要注意点PDF招聘平台导出、扫描件pdfplumber扫描件没有文本层需要OCRdocxWord编辑导出python-docx表格内容会被paragraphs漏掉HTML在线简历、猎聘等BeautifulSoup嵌套div结构不固定需针对性写选择器txt / md程序员投递直接读文件编码乱码最烦人选型理由也很简单pdfplumber基于pdfminer.six对普通文本PDF的提取速度和准确度都够用python-docx能直接读Word段落和表格如果课程设计里只要求处理PDF和docx这两件套就够了。OCR这步能省则省专业OCR要装tesseract还要下载中文语言包对环境要求高作为加分项放到后面。2.2 最小工程目录与依赖安装很多同学从免费python源码大全里下载项目跑不起来的原因九成是环境没固定。我给一个能直接落地的环境安装命令Python版本建议3.10足够稳定也兼容当前主流的解析库。conda create -n resume python3.10 -y conda activate resume pip install pdfplumber python-docx beautifulsoup4 lxml jieba openpyxl这里解释一下pdfplumber负责PDF文本抽取python-docx负责Wordjieba负责中文分词openpyxl用于把匹配结果导出Excel便于答辩展示。如果之后要加OCR再加pytesseract和Pillow。目录结构我习惯这样组织课程设计答辩时老师看到这个结构就知道你有工程意识。resume_system/ ├── data/ │ ├── raw_pdfs/ # 原始简历 │ └── parsed/ # 解析后的JSON结果 ├── src/ │ ├── parser.py # 简历结构化解析 │ ├── matcher.py # 人岗匹配逻辑 │ └── utils.py # 公共工具 ├── tests/ │ └── test_data/ # 测试简历 └── main.py # 主入口2.3 把不同格式统一成纯文本预处理函数统一文本这一步最怕“能跑但抽不到内容”。下面这个函数是整套系统的起点我把它拆开讲清楚。import os import pdfplumber from docx import Document def extract_raw_text(file_path: str) - str: ext os.path.splitext(file_path)[1].lower() if ext .pdf: with pdfplumber.open(file_path) as pdf: # 有些PDF页面没有文本层extract_text()会返回None return \n.join(page.extract_text() or for page in pdf.pages) if ext .docx: doc Document(file_path) parts [p.text for p in doc.paragraphs if p.text.strip()] # 表格里的内容也必须读出来很多简历把技能放在表格里 for table in doc.tables: for row in table.rows: cells [cell.text.strip() for cell in row.cells] parts.append( | .join(cells)) return \n.join(parts) if ext in (.txt, .md): # errorsignore 能避免部分地区文件编码不规范导致崩溃 with open(file_path, r, encodingutf-8, errorsignore) as f: return f.read() raise ValueError(f暂不支持该格式: {ext})这个函数有三个关键参数要留心。第一page.extract_text() or 如果PDF是扫描件extract_text()返回None直接拼接会报错这里统一变成空字符串。第二docx必须单独遍历doc.tables因为表格内容不属于paragraphs漏了这一步Word简历里的“技能特长”往往就消失了。第三txt读取用errorsignore遇到编码问题不会中断但可能丢字所以后续正则抽取要做好脏数据处理。做完这一步后面的解析、匹配全部只面对一个字符串。这也是为什么我会把预处理单独抽出来——它能让你在答辩时理直气壮地说“系统支持格式扩展”。3. 用Python把简历拆成字典解析核心实现与参数调优3.1 区块切分中文简历的“标题-正文”模式中文简历结构相对固定常见区块有“基本信息”“教育经历”“工作经历”“项目经历”“技能清单”“自我评价”。基于这个特点做“标题-正文”切分比训练一个序列标注模型更可控也更容易在课程设计里解释。import re SECTION_TITLE_PATTERN re.compile( r(?m)^\s*((?:基本信息|个人资料|教育背景|教育经历| r工作经历|实习经历|项目经历|技能[\s ]*清单|自我评价|个人总结)) r\s*[:\]?\s*$ ) def split_sections(raw_text: str): lines raw_text.splitlines() sections [] current_title 基本信息 current_lines [] for line in lines: match SECTION_TITLE_PATTERN.match(line.strip()) if match: if current_lines: sections.append((current_title, \n.join(current_lines).strip())) current_title match.group(1) current_lines [] else: current_lines.append(line) if current_lines: sections.append((current_title, \n.join(current_lines).strip())) return sections这里正则有几个参数值得说明。(?m)使^和$按行匹配避免“工作经历”出现在正文中间被误判成标题\s*可以吞掉标题前空格最后[:\]?处理中文全角冒号和英文冒号两种写法。注意“技能清单”和“技能特长”在这里被合并成一个模式实际简历里写法千奇百怪比如“技能/特长”你需要按自己收集到的样本扩充这个正则。实际跑下来最常踩的坑是“项目经历校园ERP系统”这种带括号的标题。上面正则匹配不到会被归到上一个区块。我一般会再补一条规则如果一行以“项目经历”“工作经历”开头并且后面是括号就把括号内容当作项目名仍然作为一个区块标题。课程设计阶段先保证最常见的标准标题能切对就已经领先一大截。3.2 邮箱电话和技能标签正则参数与关键词库区块切好后基本信息里的邮箱和电话用正则抽取技能用关键词库加中文分词补全。这两个函数的参数是全场最容易翻车的点。import re import jieba def extract_contact(text: str): email re.search( r[A-Za-z0-9._%-][A-Za-z0-9.-]\.[A-Za-z]{2,}, text ) # 去掉空格和短横线避免 “1 38 0000 0000” 这种写法漏匹配 normalized_phone_text text.replace( , ).replace(-, ) phone re.search(r(?!\d)1[3-9]\d{9}(?!\d), normalized_phone_text) return { email: email.group(0) if email else None, phone: phone.group(0) if phone else None, } SKILL_TAGS [ python, java, sql, mysql, linux, docker, spark, flink, tensorflow, pytorch, flask, django, 机器学习, 数据分析, 自然语言处理 ] def extract_skills(text: str): lowered_text text.lower() found [] for tag in SKILL_TAGS: if tag.lower() in lowered_text: found.append(tag) # 有些简历写“精通Python/Java”逗号分隔导致子串匹配漏掉 words set(jieba.lcut(lowered_text)) for tag in SKILL_TAGS: if tag.lower() in words and tag not in found: found.append(tag) return list(set(found))电话正则里的(?!\d)和(?!\d)是边界断言防止身份证号里连续11位数字被误判成手机号手机号前导1[3-9]覆盖目前主流号段。邮箱正则允许点号、下划线、百分号这是RFC规范里合法的本地部分不要只写\w\w\.\w那样会漏掉vip.liexample.com。技能匹配这里我用的是“子串包含 jieba精确词”双通道。子串包含能匹配“熟悉python爬虫”里的pythonjieba补全能匹配“Python/Java”这种复合简历写法。技能关键词库需要由你按目标岗位扩充课程设计通常可以放15到30个太多会有虚高问题后面人岗匹配章会细说。3.3 输出JSON和SQLite让后续匹配有干净的数据结构解析结果必须落成结构化数据。我一直建议用JSON做中间格式因为字段可变、人眼可读、也方便导出SQLite存档。import sqlite3 import json class ResumeParser: def __init__(self, file_path: str): self.file_path file_path self.raw_text extract_raw_text(file_path) self.sections split_sections(self.raw_text) self.contact extract_contact(self.raw_text) self.skills extract_skills(self.raw_text) def to_dict(self): return { file: self.file_path, contact: self.contact, sections: dict(self.sections), skills: self.skills, } def save_to_sqlite(data: dict, db_path: str resumes.db): conn sqlite3.connect(db_path) c conn.cursor() c.execute( CREATE TABLE IF NOT EXISTS resumes (id INTEGER PRIMARY KEY, file TEXT, content_json TEXT) ) c.execute( INSERT INTO resumes (file, content_json) VALUES (?, ?), (data[file], json.dumps(data, ensure_asciiFalse)), ) conn.commit() conn.close()这里有一个“反面教材”要提醒你dict(self.sections)会把重复的区块名覆盖掉。比如简历里有两段“项目经历”后一段会顶掉前一段。正确做法是把sections保留成列表to_dict()里用列表存。课程设计为了省事可以先用dict但答辩时如果被问到重复区块就会尴尬。我实际做时会写一个normalized_sections()函数把同名校验合并再把内容用换行拼起来。SQLite存JSON只是快照真正的后续匹配直接读内存字典不要每次跑SQL。到这里一份简历已经变成了一个包含联系方式、区块列表、技能标签的Python字典。下一步就是用人岗匹配把这份字典和岗位JD联系起来。4. 人岗匹配不是算相似度岗位画像与匹配分公式4.1 岗位画像的两种来源规则词表与向量库很多人一上来就想用BERT计算简历和JD的余弦相似度但在课程设计里这是给自己挖坑。原因很简单你需要解释为什么90分、60分、30分规则词表能做到每一条都有依据。岗位画像我建议先用规则词表等主流程跑通后再考虑向量库。岗位画像本质是三个子清单硬性要求必须会、加分项了解更好、其他条件学历、年限。下面用一份数据分析岗示例。def build_job_profile(jd_text: str): # 课程设计可以手写规则也可以写个简单正则从JD里抽 # 更粗糙的做法直接在代码里维护一个字典 profile { must_have: [python, sql, 数据清洗, excel], nice_have: [pytorch, 可视化, 机器学习], degree: 本科, years: 1, } return profile从JD文本自动抽画像一般是先分词再用预设技能库做交集。我建议在课程设计里把岗位画像做成可配置的字典分别给两个岗位JD让答辩老师看到“换岗位描述匹配结果会不同”。自动抽词可以作为加分项但不要作为主功能。4.2 带权重的匹配分公式与阈值调节匹配分公式不复杂关键是权重分配要合理。我常用的公式硬性技能命中率占70%加分技能命中率占30%。这是技术类岗位的常见倾向如果做运营或销售岗可以把权重调成50/50让加分项的作用变大。def compute_match_score(resume_dict: dict, job_profile: dict): resume_skills set(s.lower() for s in resume_dict[skills]) must_have set(s.lower() for s in job_profile[must_have]) nice_have set(s.lower() for s in job_profile[nice_have]) must_rate len(resume_skills must_have) / max(len(must_have), 1) nice_rate len(resume_skills nice_have) / max(len(nice_have), 1) score round(100 * (0.7 * must_rate 0.3 * nice_rate), 2) return { score: score, hit_must: sorted(resume_skills must_have), hit_nice: sorted(resume_skills nice_have), miss_must: sorted(must_have - resume_skills), }参数设计的核心是“不要出现除数为0”。max(len(...), 1)保护了JD里没写必备技能时不会崩溃如果两份简历同样命中两个技能但一个项目经历写得详细这个公式是看不出来的。所以要继续优化把项目经历文本的匹配加进来。我一般会再加一个文本匹配分把“项目经历”区块里的文本分词与JD里的描述词做重合度然后按0.2的权重混入总分。也就是说最终分数 硬性技能分 * 0.5 项目经历文本匹配分 * 0.2 加分技能分 * 0.3。权重可以根据自己的测试集调但要记住一个原则硬性技能必须占最大头文本匹配只能作为辅助否则“自我评价”会严重带偏结果。阈值建议高于80分进入面试60到80待定低于60不匹配。这个阈值不能代表真实招聘决策但课程设计评价标准就是看“能否区分不同简历”能做到区分就合格。4.3 返回匹配理由不只返回分数答辩的时候老师最常问的是“为什么这份简历匹配度高”。所以匹配结果一定要带上命中和缺失字段。下面这个主流程函数把前面的解析和评分串起来。from pathlib import Path def analyze_directory(resume_dir: str, job_profile: dict): results [] for file_path in Path(resume_dir).glob(*): if file_path.suffix.lower() not in (.pdf, .docx, .txt): continue parser ResumeParser(str(file_path)) resume_data parser.to_dict() match compute_match_score(resume_data, job_profile) results.append({ file: file_path.name, resume: resume_data, match: match, }) print( f{file_path.name}: {match[score]}分 | f命中{,.join(match[hit_must])} | f缺少{,.join(match[miss_must])} ) return results注意这个循环里每次都会重新打开PDF或docx文件句柄由pdfplumber的上下文管理器自动关闭。如果简历量大建议解析一次并存缓存再把缓存数据交给匹配函数不然简历一多循环会越来越慢。这里为了方便演示没有加缓存但在课程设计报告里可以写成“简历解析结果缓存到SQLite匹配时走内存查询”老师会认为你考虑过性能。到这一步系统已经能对多份简历做排序了。但距离“答辩稳过”还差一口气因为真实简历的脏数据会让你的解析翻车。5. 课程设计最常踩的五个坑解析失败、乱码与匹配失真5.1 PDF有扫描件也有文本层直接抽出空文本现象某份简历解析出来后raw_text是空字符串后面所有字段全是None匹配分直接0。原因这份PDF是扫描件或图片导出的没有文本层pdfplumber自然抽不出字。不是代码错是文件本身没有可用文本。解决在extract_raw_text里检测返回文本的长度如果低于20个字符打印警告并提示用OCR。课程设计阶段不建议自己训练OCR直接调pytesseract加中文语言包就行。import pytesseract from PIL import Image import fitz # PyMuPDF def ocr_pdf(pdf_path: str) - str: doc fitz.open(pdf_path) texts [] for page in doc: pix page.get_pixmap(dpi200) img Image.open(pix.tobytes(png)) texts.append(pytesseract.image_to_string(img, langengchi_sim)) return \n.join(texts)这里的dpi200是参数坑太低了OCR识别率差太高了输出图片过大导致速度慢。200对普通文字够用。OCR识别结果仍有错字所以后续正则抽取邮箱电话时要做简单容错比如电话里可能混入中文逗号。5.2 docx解析丢失表格内容现象一份Word简历里明明写了“SQL熟练”但解析出的技能列表里没有sql。原因python-docx的doc.paragraphs不包含表格内容技能往往放在“专业技能”表格里不在正文段落中。解决在extract_raw_text里必须遍历doc.tables。我之前给出的预处理函数已经处理了表格但要注意合并单元格会造成重复内容比如一个单元格被row合并后会重复出现在不同行。解决办法是保存一个已出现文本的集合用set去重后再拼接。这个坑很隐蔽因为不报错只会让你解析结果多出重复文本影响匹配分。5.3 全角半角与正则的匹配玄学现象电话正则匹配不到用debug看才发现原文是“ ”全角数字。原因用户输入时用了中文输入法数字和冒号都是全角\d和:?都匹配不到。解决在预处理最前面加一步unicodedata.normalize(NFKC, text)把全角字符转半角顺便把全角空格变成普通空格。注意不要在转换前就去空格转换后再统一处理。这一步还能解决中文简历里“工作经历”全角冒号切不出来的问题。正则匹配的玄学本质上都是原始文本没有规范化。5.4 技能匹配被“自我评价”带偏权重分布不对现象两份简历一份自我评价写满“python、机器学习”但没有实际项目另一份项目经历里明确写了用PyTorch做图像分类。匹配分却是前者更高。原因所有区块文本被混在一起抽技能“会一点”和“做过项目”在技能层面无法区分。解决把技能抽取按区块分开技能清单和项目经历里的技能标记为“熟练”自我评价里的技能标记为“了解”。匹配计算时熟练技能权重给1.0了解技能权重给0.5。再进一步可以在匹配分里加入“项目经历文本包含的JD描述词数量”。我一般这样处理先用split_sections取出“项目经历”把这段文本分词后与JD的must_have做交集交集越多项目经历匹配度越高。这个字段能避免简历里“精通”满天飞导致匹配虚高。5.5 测试集太少导致答辩翻车现象本地跑通一份简历信心满满答辩时老师随手拿来一份真实简历解析结果全乱甚至直接报错。原因只用一两份简历验证没有覆盖“扫描件、表格、全角、空行、无技能字段”这些边界情况。解决准备至少10份不同样式的简历越多越好。每份简历人工标注期望抽出的字段用标注结果跑回归测试。具体的验证脚本我会在下一章给出。这个习惯能让你在答辩时自信地说“测试集覆盖了PDF、docx、扫描件、含表格简历四种类型”比临时解释翻车原因好一百倍。6. 让答辩老师信服的验证方法用测试集证明系统有效6.1 准备10份标注简历算准确率和召回率课程设计不能只给“看起来跑通了”的演示要拿出量化指标。对技能匹配我用准确率和召回率来衡量对联系方式用完全匹配率。标注格式是一个简单字典真实期望抽出的email、phone、skills列表。def evaluate(predicted: dict, golden: dict): p_skills set(predicted[skills]) g_skills set(golden[skills]) precision len(p_skills g_skills) / max(len(p_skills), 1) recall len(p_skills g_skills) / max(len(g_skills), 1) contact_ok ( predicted[contact][email] golden[email] and predicted[contact][phone] golden[phone] ) return { precision: round(precision, 2), recall: round(recall, 2), contact_ok: contact_ok, }准确率衡量抽出的技能里有多少是真正的技能召回率衡量真实技能里有多少被抽出来。注意max(len(p_skills), 1)这个保护参数如果解析器什么都没抽到分母为0就会抛异常。我在跑测试集时见过太多次这种崩溃所以对分母一律做防0处理。联系方式这里只判对错不能算精确率因为邮箱电话是唯一值。6.2 把匹配结果可视化答辩展示时一张柱状图胜过十页文字。用matplotlib把匹配分画出来并把命中和缺失的技能列在图片下方老师一眼就能看出系统在做什么。import matplotlib.pyplot as plt import numpy as np def plot_scores(results): scores [r[match][score] for r in results] labels [r[file] for r in results] plt.figure(figsize(8, 5)) plt.bar(labels, scores, colorcornflowerblue) plt.axhline(80, colorgreen, linestyle--, label面试阈值) plt.axhline(60, colororange, linestyle--, label待定阈值) plt.xticks(rotation45) plt.ylabel(匹配分) plt.legend() plt.tight_layout() plt.savefig(match_scores.png, dpi150)这里的两个阈值线就是4.2里的参数答辩时可以对比说明“如果权重调成0.5/0.5这些简历的排序会怎么变化”。这能体现你对参数的理解而不是只会跑脚本。6.3 后续可扩展点从规则到小模型如果做完课程设计还有精力可以往两个方向扩展一是把技能关键词库替换成word2vec或fastText向量让“深度学习”和“神经网络”这类近义词也能互相匹配二是用BERT对简历区块做序列标注自动识别不规整的“工作经历”标题。但我要给你一句忠告先别做模型把规则版解析和人岗匹配稳定跑起来比一上来就微调BERT更容易拿到好成绩。规则版是你能解释清楚的底盘模型是你展示“懂新方法”的加分项。我在每次交付课程设计前会强制自己用全新的10份简历重跑一遍测试集只要有任何一份解析的字段和标注不一致就回到正则或区块切分去补样例。这个习惯让我少挨了很多答辩老师的追问。如果你也把这个验证流程做成脚本大概率不会再出现现场翻车的尴尬。希望帮到你。本文还有配套的精品资源点击获取