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/