本文共 4955 字，大约阅读时间需要 16 分钟。
最近，小编在处理简历时，发现大量简历需要一个个打开文件，复制姓名、邮箱、电话号码、学历等关键信息，效率特别低且部分文件无法直接复制。于是，小编便写了文件阅读工具的脚本，支持文件格式有：doc，docx，pdf。
通过脚本自动匹配各种简历的文件格式，并解析出用户名、邮箱、电话号码、学历等关键信息。然后调用企业微信，使用正则过滤简历，使用request一键内推到企微。
ps. 上月战绩，内推400+人，内推成功8人，入职5人，收米8000*2+5000*3=31000。
{'感谢您的投递': 331, '简历处理中': 19, '简历初筛': 5, '本轮通过': 6, 'Offer已发放': 1, '进行中': 2, '拒绝Offer': 3, '接受Offer': 5}
脚本功能：提取简历文本
输入：要解析的文件路径
输出：解析的内容，包括不限于姓名、邮箱、电话号码、学历等信息。
环境：python 3.6 、mac（doc转docx是mac写法，windows更简单，导入win32的包即可）
第一步：需要导入的包
# encoding: utf-8import os, sysimport docxfrom pdfminer.pdfparser import PDFParserfrom pdfminer.pdfdocument import PDFDocumentfrom pdfminer.pdfpage import PDFPagefrom pdfminer.pdfinterp import PDFResourceManagerfrom pdfminer.pdfinterp import PDFPageInterpreterfrom pdfminer.layout import LAParamsfrom pdfminer.converter import PDFPageAggregator
第二步：读文件
def get_files(path): res = [] for i in os.listdir(path): # 去掉临时文件 if os.path.isfile(path+i) and '~$' not in i and '.DS' not in i: # 去重 1.doc 和 1.docx if (path+i).split(".")[0] not in str(res): res.append(path+i) return res 第三步：读PDF，得到res文本后，可以通过正则，匹配出邮箱，手机号，学历等
def pdf_reader(file): fp = open(file, "rb") # 创建一个与文档相关联的解释器 parser = PDFParser(fp) # PDF文档对象 doc = PDFDocument(parser) # 链接解释器和文档对象 parser.set_document(doc) # doc.set_paeser(parser) # 初始化文档 # doc.initialize("") # 创建PDF资源管理器 resource = PDFResourceManager() # 参数分析器 laparam = LAParams() # 创建一个聚合器 device = PDFPageAggregator(resource, laparams=laparam) # 创建PDF页面解释器 interpreter = PDFPageInterpreter(resource, device) # 使用文档对象得到页面集合 res = '' for page in PDFPage.create_pages(doc): # 使用页面解释器来读取 interpreter.process_page(page) # 使用聚合器来获取内容 layout = device.get_result() for out in layout: if hasattr(out, "get_text"): res = res + '' + out.get_text() return res 第四步：读word格式文件。待优化：word中如果包含execl，暂时读不出来。
def word_reader(file): try: # docx 直接读 if 'docx' in file: res = '' f = docx.Document(file) for para in f.paragraphs: res = res + '\n' +para.text else: # 先转格式doc>docx os.system("textutil -convert docx '%s'"%file) word_reader(file+'x') res = '' f = docx.Document(file+'x') for para in f.paragraphs: res = res + '\n' +para.text return res except: # print(file, 'read failed') return '' 完整代码
# encoding: utf-8import os, sysimport docxfrom pdfminer.pdfparser import PDFParserfrom pdfminer.pdfdocument import PDFDocumentfrom pdfminer.pdfpage import PDFPagefrom pdfminer.pdfinterp import PDFResourceManagerfrom pdfminer.pdfinterp import PDFPageInterpreterfrom pdfminer.layout import LAParamsfrom pdfminer.converter import PDFPageAggregatordef get_files(path): res = [] for i in os.listdir(path): # 去掉临时文件 if os.path.isfile(path+i) and '~$' not in i and '.DS' not in i: # 去重 1.doc 和 1.docx if (path+i).split(".")[0] not in str(res): res.append(path+i) return resdef pdf_reader(file): fp = open(file, "rb") # 创建一个与文档相关联的解释器 parser = PDFParser(fp) # PDF文档对象 doc = PDFDocument(parser) # 链接解释器和文档对象 parser.set_document(doc) # doc.set_paeser(parser) # 初始化文档 # doc.initialize("") # 创建PDF资源管理器 resource = PDFResourceManager() # 参数分析器 laparam = LAParams() # 创建一个聚合器 device = PDFPageAggregator(resource, laparams=laparam) # 创建PDF页面解释器 interpreter = PDFPageInterpreter(resource, device) # 使用文档对象得到页面集合 res = '' for page in PDFPage.create_pages(doc): # 使用页面解释器来读取 interpreter.process_page(page) # 使用聚合器来获取内容 layout = device.get_result() for out in layout: if hasattr(out, "get_text"): res = res + '' + out.get_text() return resdef word_reader(file): try: # docx 直接读 if 'docx' in file: res = '' f = docx.Document(file) for para in f.paragraphs: res = res + '\n' +para.text else: # 先转格式doc>docx os.system("textutil -convert docx '%s'"%file) word_reader(file+'x') res = '' f = docx.Document(file+'x') for para in f.paragraphs: res = res + '\n' +para.text return res except: # print(file, 'read failed') return ''def file_reader(file): if 'doc' in file: res = word_reader(file) elif 'pdf' in file: res = pdf_reader(file) else: res = '不是doc，也不是pdf，文件格式不支持！' return resif __name__ == '__main__': path = "/Users/XXXXX/Mine/XXXXX/" abs_files = get_files(path) print(abs_files) for file in abs_files: file_text = file_reader(file) print(file_text) 本期实现：任何格式的简历，解析成文本，便于后续筛选优质简历。
下期揭晓：简历过滤，包括学历，稳定性，年龄，工龄与职级匹配度等，全自动化内推代码。
转载地址：http://eodpz.baihongyu.com/