作者|Low Wei Hong
编译|VK
来源|Medium
当我还是一名大学生的时候，我很好奇自动提取简历信息是如何工作的。我将准备各种格式的简历，并上传到招聘网站，以测试背后的算法是如何工作的。我想自己尝试建一个。因此，在最近几周的空闲时间里，我决定构建一个简历解析器。
一开始，我觉得很简单。只是用一些模式来挖掘信息，结果发现我错了！构建简历解析器很困难，简历的布局有很多种，你可以想象。
例如，有些人会把日期放在简历的标题前面，有些人不把工作经历的期限写在简历上，有些人不会在简历上列出公司。这使得简历解析器更难构建，因为没有要捕获的固定模式。
经过一个月的工作，根据我的经验，我想和大家分享哪些方法工作得很好，在开始构建自己的简历分析器之前，你应该注意哪些事情。
在详细介绍之前，这里有一段视频短片，它显示了我的简历分析器的最终结果(https://youtu.be/E-yMeqjXzEA)
数据收集
我在多个网站上搜了800份简历。简历可以是PDF格式，也可以是doc格式。
我使用的工具是Google的Puppeter（Javascript）从几个网站收集简历。
数据收集的一个问题是寻找一个好的来源来获取简历。在你能够发现它之后，只要你不频繁地访问服务器，抓取一部分就可以了。
之后，我选择了一些简历，并手动将数据标记到每个字段。标记工作的完成是为了比较不同解析方法的性能。
预处理数据
剩下的部分，我使用Python。有几个包可用于将PDF格式解析为文本，如PDF Miner、Apache Tika、pdftotree等。让我比较一下不同的文本提取方法。
使用PDF Miner的一个缺点是，在处理简历时，简历的格式类似于Linkedin的简历，如下所示。
PDF Miner阅读PDF的方式是逐行的。因此，如果发现左右两部分的文本位于同一行，则将它们组合在一起。因此，正如你可以想象的那样，在随后的步骤中提取信息将更加困难。
另一方面，pdftree将省略所有的'\n'字符，因此提取的文本将类似于文本块。因此，很难将它们分成多个部分。
因此，我使用的工具是Apache Tika，它似乎是解析PDF文件的更好选择，而对于docx文件，我使用docx包来解析。
数据提取流程概述
这是棘手的部分。有几种方法可以解决这个问题，但我将与你分享我发现的最佳方法和Baseline方法。
Baseline方法
我们先来谈谈Baseline方法。我使用的Baseline方法是首先为每个部分（这里我指的是经验、教育、个人细节和其他部分）抽取关键字，然后使用regex匹配它们。
例如，我想提取大学的名称。因此，我首先找到一个包含大多数大学的网站，并将其删除。然后，我使用regex检查是否可以在特定的简历中找到这个大学名称。如果找到了，这条信息将从简历中提取出来。
这样，我就可以构建一个Baseline方法，用来比较其他解析方法的性能。
最佳方法
这是我发现的最好的方法。
首先，我将把纯文本分成几个主要部分。例如，经验、教育、个人细节和其他。我要做的是为每个主要部分的标题设置一组关键字，例如工作经验、教育、总结、其他技能等等。
当然，你可以尝试建立一个机器学习模型来实现分离，但我选择了最简单的方法。
之后，将有一个单独的脚本来分别处理每个主要部分。每个脚本都将定义自己的规则，这些规则来提取每个字段的信息。每个脚本中的规则实际上都相当复杂。由于我希望这篇文章尽可能简单，所以我现在不会透露。
我使用的机器学习方法之一是区分公司名称和职务。我在这里使用机器学习模型的原因是，我发现有一些明显的模式可以区分公司名称和职务，例如，当你看到关键字“Private Limited”或“Pte Ltd”时，你肯定它是一个公司名称。
我在哪里能得到训练数据？
我从greenbook中搜集数据以获取公司名称，并从这个Github仓库中下载了职位列表(https://github.com/fluquid/find_job_titles)。
在得到数据后，我只训练了一个非常简单的朴素贝叶斯模型，它可以将职称分类的准确率提高至少10%。
总之，我解析简历解析器的策略是分而治之。
评估
我使用的评估方法是fuzzy-wuzzy方法(去重子集匹配)。比如说
- s=共同单词的数量
- s1=单词列表的交集
- s2=单词列表的交集+str1的剩余单词
- s3=单词列表的交集+str2的剩余单词
接下来的计算公式
token_set_ratio = max(fuzz.ratio(s, s1), fuzz.ratio(s, s2), fuzz.ratio(s, s3))
我使用token_set_ratio的原因是，如果解析的结果与标记的结果具有更多的公共标记，则意味着解析器的性能更好。
原文链接：https://towardsdatascience.com/how-to-build-a-简历-parsing-tool-ae19c062e377
欢迎关注磐创AI博客站：
http://panchuang.net/
sklearn机器学习中文官方文档：
http://sklearn123.com/
欢迎关注磐创博客资源汇总站：
http://docs.panchuang.net/
来源：oschina
链接：https://my.oschina.net/u/4354590/blog/4297466