简历信息提取（一）：PDFPlumber和PP-Structure

picture.image

向AI转型的程序员都关注了这个号👇👇👇

0 引言

信息抽取任务旨在从非结构化的自然语言文本中提取结构化信息。在本系列项目中，将讨论如何又好又快地实现一个简历信息提取任务。

作为该系列文章的第一篇，我们将首先从数据处理着手，探讨Word、PDF格式文档信息提取的一些基本方法。

数据集简介

本文使用的简历数据集是脱敏之后的中文人才简历数据和标注数据。

标注类别包括：姓名、出生年月、性别、电话、最高学历、籍贯、落户市县、政治面貌、毕业院校、工作单位、工作内容、职务、项目名称、项目责任、学位、毕业时间、工作时间、项目时间共18个字段。

在训练数据集中，每个“毕业院校、学位、毕业时间”为一组，以“教育经历”列表给出；每个“工作单位、工作内容、职务、工作时间”为一组，以“工作经历”列表给出；每个“项目名称、项目责任、项目时间”为一组，以“项目经历”列表给出。

训练数据同时给出了PDF和Word格式。

1 word文档信息提取

1.1 认识`.docx`格式

现在.docx格式是我们最常见到的一种Word文档格式了，它是微软采用类XML格式标准定义的Word文件。

正因如此，相比早期的.doc文件,.docx文件的兼容性大幅提升。

那么，.docx文件又是如何封装的？.docx实际上是一个zip的压缩文件，比如我们任选一个.docx文件：

picture.image

因此，其实除了python-docx库之外，BeautifulSoup也可以用来提取Word文档信息。

代码地址:

关注微信公众号 datayx 然后回复简历即可获取。

1.2 提取word文档信息

1.2.1 用`python-docx`提取文档信息

python-docx其实在项目PaddleHub机器翻译：文档的批量翻译中提到过

这里不做过多赘述，我们直奔主题，选取一份word简历文档，尝试提取信息。

picture.image

1.2.2 用BeautifulSoup提取Word文档信息

如果说这种方法有什么缺点的话，就是遇到一些艺术字等标题，与后面的文字从语义上是连续的，但是XML格式不连续。

picture.image

杜素宁
MOBILE
:
15904130130
E-MAIL
：
0da08x@163.com
A
ddress
:云南省昭通市
个人信息
民族：
汉
籍贯：
云南省昭通市
性别：
女
年龄
: 18

教育经历
2008.08-2012.08

北方工业大学
食品科学与工程
学士学位

主要经历
P
roject Experience
工作经历：
1997.06-2010.07
江苏华英企业管理股份有限公司
水处理工程师
工作内容:
1.负责部门内日常用品的采购；2.做好与公司内其他部门的对接工作；3.协助部门进行办公环境管理和后勤管理工作；4.销售人员与公司的信息交流，随时保持与市场销售人员的电话沟通，销售政策及公司文件的及时传达。5.领导交办的其他工作

工作经历：
1991年12月-2012年09月
和宇健康科技股份有限公司
市场营销专员
工作内容:
1、做好消费宾客的迎、送接待工作，接受宾客各种渠道的预定并加以落实；2、礼貌用语，详细做好预订记录；3、了解和收集宾客的建议和意见并及时反馈给上级领导；4、以规范的服务礼节，树立公司品牌优质，文雅的服务形象。

工作经历：
2007/05-2010/03
深圳市有棵树科技有限公司
拼多多运营
工作内容:
1.负责规定区域的产品销售，做好产品介绍，确认订单，回款等销售相关工作；2.做好客户背景资料调查，竞争对手分析，产品适用性分析；3.按公司规定完成SalesPipeline信息记录

个人技能
Personal
Skills
吃饭

个人荣誉
P
ersonal Honor
优秀学生干部

2 使用pdfplumber库提取PDF信息

picture.image

杜素宁
MOBILE : 15904130130
E-MAIL：0da08x@163.com

Address:云南省昭通市
个人信息

民族：汉籍贯：云南省昭通市性别：女年龄: 18

教育经历

2008.08-2012.08 北方工业大学食品科学与工程学士学位

主要经历
Project Experience
工作经历：
1997.06-2010.07 江苏华英企业管理股份有限公司水处理工程师
工作内容:
1.负责部门内日常用品的采购；2.做好与公司内其他部门的对接工作；3.协助部门进行办公环境管理和后勤管理工作；4.销
售人员与公司的信息交流，随时保持与市场销售人员的电话沟通，销售政策及公司文件的及时传达。5.领导交办的其他工作

工作经历：
1991年12月-2012年和宇健康科技股份有限公司市场营销专员
09月
工作内容:
1、做好消费宾客的迎、送接待工作，接受宾客各种渠道的预定并加以落实；2、礼貌用语，详细做好预订记录；3、了解和
收集宾客的建议和意见并及时反馈给上级领导；4、以规范的服务礼节，树立公司品牌优质，文雅的服务形象。

工作经历：
2007/05-2010/03 深圳市有棵树科技有限公司拼多多运营
工作内容:
1.负责规定区域的产品销售，做好产品介绍，确认订单，回款等销售相关工作；2.做好客户背景资料调查，竞争对手分析，
产品适用性分析；3.按公司规定完成SalesPipeline信息记录

picture.image

3 通过PPOCR识别PDF

这个方式看起来有点绕，如果可以直接识别PDF和word，为什么还要转图片用OCR呢？

不过，在很多时候，它还是一个很必要的补充手段，毕竟，如果简历的PDF是那种扫描式的，甚至word文档万一就是个图片……

手段多一些，总是有备无患的。

在本文中，我们尝试的是PP-Structure工具包，它提供了PDF图片表格一键提取解决方案。

picture.image

3.1 PDF批量转图片

picture.image

3.2 对不同式样简历提取信息

下面这两张简历我们可以看出，对于一些表格式简历，版面分析会将其判定为表格。

其它的简历，可能被认为版面上是图片甚至既没有图片也没有表格。

如果使用PP-Structure，对这几种检测结果，需要分别进行后处理。

picture.image

['姓名',
'郝淑宁',
'性别',
'男',
'出生日期',
'2000.04',
'民族',
'汉族',
'联系电话',
'13602173036',
'籍贯',
'黑龙江省双鸭山「邮箱市',
'bhluo@live.com',
'教育背景',
'毕业时间：',
'2012.08 － 2016.08',
'毕业学校：北京政法职业学院',
'学历/学位：大学本科/学士学位',
'专业：动物生产',
'工作经验',
'时间：1991年07月-2016年12月',
'部门：研发部',
'公司：江苏达科信息科技有限公司',
'职位：渠道商务',
'1、申请票据，购***，准备和报送会计报表，会报税及报税流程；2、现金及银行收付处理，制作记帐',
'凭证，银行对帐，单据审核，开具与保管发票；3、协助财会文件的准备、归档和保管；4、固定资产和',
'工作；',
'低值易耗品的登记和管理；5、负责与银行、税务等部门的对外联络；6、协助领导完成其他日常事务性',
'时间：1992年05月-2015年05月',
'公司：盛趣信息技术有限公司部门：研发部',
'职位：商场空调工5.5k',
'1、根据公司制定的目标，制定有效销售计划，开发客户，完成销售任务；2、关注市场变化，收集有效',
'的市场信息，为公司的销售策略作参考资料依据；3、做好客户管理工作，根据不同客户的需求特点和相关的信息、数据，提供解决方案；4、统筹客户维系工作，做好客户拜访计划，并按计划进行拜访，',
'推进项目；5、协助领导做好公司其他工作。',
'时间：2006.06-2018.06',
'公司：广州市华粤行仪器有限公司',
'部门：研发部',
'职位：Golang开发工程师',
'1、登记收集资料，整理文件表格；2、辅助就业指导老师为鹏程学员推荐工作；3、发布招聘信息，与',
'鹏程学员互动；4、对接好企业，为鹏程学员推荐心仪工作到面到岗服务。',
'项目经验',
'2001.12-2012.01 1、协助制定市场活动计划，组织落实市场活动；2、负责展会活动策划与相关活动支持，市场推广资料',
'珠三角最低工资标准的执行、影响与对策研究']

picture.image

杜素宁
MOBILE：15904130130
E-MAIL：0da08x@163.com
Address:云南省昭通市
个人信息
性别：女
民族：汉
籍贯：云南省昭通市
年龄：18
教育经历
北方工业大学
食品科学与工程
2008.08-2012.08
学士学位
主要经历
Project Experience
工作经历：
1997.06-2010.07
江苏华英企业管理股份有限公司
水处理工程师
工作内容：
1.负责部门内日常用品的采购；2.做好与公司内其他部门的对接工作；3.协助部门进行办公环境管理和后勤管理工作；4.销
售人员与公司的信息交流，随时保持与市场销售人员的电话沟通，销售政策及公司文件的及时传达。5.领导交办的其他工作
工作经历：
1991年12月-2012年
和宇健康科技股份有限公司
市场营销专员
09月
工作内容：
1、做好消费宾客的迎、送接待工作，接受宾客各种渠道的预定并加以落实；2、礼貌用语，详细做好预订记录；3、了解和
收集宾客的建议和意见并及时反馈给上级领导；4、以规范的服务礼节，树立公司品牌优质，文雅的服务形象
工作经历：
2007/05-2010/03
深圳市有棵树科技有限公司
拼多多运营
工作内容：
1.负责规定区域的产品销售，做好产品介绍，确认订单，回款等销售相关工作；2.做好客户背景资料调查，竞争对手分析
产品适用性分析；3.按公司规定完成SalesPipeline信息记录