本文共 2686 字，大约阅读时间需要 8 分钟。
最近，我在处理简历时遇到了一个问题：大量简历需要手动打开文件并复制姓名、邮箱、电话号码、学历等关键信息，效率极低且部分文件无法直接复制。这促使我开发了一个文件阅读工具脚本，支持文件格式包括doc、docx和pdf。
通过脚本，我们可以自动匹配各种简历文件格式并解析出用户名、邮箱、电话号码、学历等关键信息。随后，可以调用企业微信，使用正则过滤简历并通过request一键内推到企微。
目前实现的功能包括：
doc、docx和pdf文件。环境要求：
mac环境下开发（doc转docx采用mac格式，windows用户只需导入win32包即可）。具体实现步骤如下：
1. 导入所需包
import os, sys from docx import Document from pdfminer.pdfparser import PDFParser from pdfminer.pdfdocument import PDFDocument from pdfminer.pdfpage import PDFPage from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter from pdfminer.layout import LAParams from pdfminer.converter import PDFPageAggregator
2. 读取文件
def get_files(path): files = [] for filename in os.listdir(path): # 去除临时文件和重复文件 if os.path.isfile(os.path.join(path, filename)) and '~$' not in filename and '.DS' not in filename: # 去重（例如1.doc和1.docx） base_name = os.path.splitext(filename)[0] if base_name not in [f.name for f in files]: files.append(filename) return files
3. 处理PDF文件
def pdf_reader(file): with open(file, 'rb') as fp: parser = PDFParser(fp) doc = PDFDocument(parser) resource = PDFResourceManager() laparam = LAParams() device = PDFPageAggregator(resource, laparams=laparam) interpreter = PDFPageInterpreter(resource, device) content = '' for page in PDFPage.create_pages(doc): interpreter.process_page(page) layout = device.get_result() for element in layout: if hasattr(element, 'get_text'): content += element.get_text() return content
4. 处理Word文件
def word_reader(file): try: if 'docx' in file: text = '' document = Document(file) for para in document.paragraphs: text += '\n' + para.text else: # 保存为docx格式 os.system(f"textutil -convert docx '{file}'") text = word_reader(file + 'x') return text except Exception as e: print(f"文件{file}无法打开，原因：{str(e)}") return '' 5. 综合处理
def file_reader(file): if 'doc' in file: return word_reader(file) elif 'pdf' in file: return pdf_reader(file) else: return f"文件格式不支持：{file}" if __name__ == '__main__': path = "/Users/example/Mine/example/" files = get_files(path) for file in files: print(f"处理文件：{file}") content = file_reader(file) print(f"解析结果：{content}") 下一步计划包括：
转载地址：http://eodpz.baihongyu.com/