从多份简历中提取全部为 PDF 格式的信息

Question

我有一个数据集，其中有一列有 google 驱动器 link 用于简历，我有 5000 行所以有 5000 links ，我正在尝试提取信息就像这些简历中的多年经验和薪水在 2 个单独的栏中。到目前为止，我已经在 SO 上看到了很多这里提到的例子。

例如：下面提到的代码只能从一个文件中读取数据，如何将其复制到多行？

请帮我解决这个问题，否则我将不得不手动浏览 500 份简历并填写数据

希望我能找到解决这个痛苦问题的方法。

pdf_file = open('sample.pdf', 'rb')
read_pdf = PyPDF2.PdfFileReader(pdf_file)
number_of_pages = read_pdf.getNumPages()
page = read_pdf.getPage(0)
page_content = page.extractText()
print page_content.encode('utf-8')

#to extract salary , experience using regular expressions
import re

prog = re.compile("\s*(Name|name|nick).*")
result = prog.match("Name: Bob Exampleson")

if result:
    print result.group(0)

result = prog.match("University: MIT")

if result:
    print result.group(0)

Answer 1

使用循环。基本上，您将主要代码放入一个函数中（更易于阅读）并创建一个文件名列表。然后迭代此列表，使用列表中的值作为函数的参数：

注意：我没有检查你的抓取代码，只是展示了如何循环。还有一些更有效的方法可以做到这一点，但我假设你是一个 Python 初学者，所以让我们从简单开始。

# add your imports to the top
import re

# create a list of your filenames
files_list = ['a.pdf', 'b.pdf', 'c.pdf']
for filename in files_list:  # iterate over the list
    get_data(filename)


# put the rest in a function for readability
def get_data(filename):
    pdf_file = open(filename, 'rb')
    read_pdf = PyPDF2.PdfFileReader(pdf_file)
    number_of_pages = read_pdf.getNumPages()
    page = read_pdf.getPage(0)
    page_content = page.extractText()
    print page_content.encode('utf-8')

    prog = re.compile("\s*(Name|name|nick).*")
    result = prog.match("Name: Bob Exampleson")

    if result:
        print result.group(0)

    result = prog.match("University: MIT")

    if result:
        print result.group(0)

那么现在您的下一个问题可能是，如何创建包含 5000 个文件名的列表？这取决于文件的名称和存储位置。如果它们是连续的，你可以这样：

files_list = []  # empty list
num_files = 5000  # total number of files
for i in range(1, num_files+1):
    files_list.append(f'myfile-{i}.pdf')

这将创建一个包含 'myfile-1.pdf'、'myfile-2.pdf' 等的列表

希望这足以让您入门。

您还可以在您的函数中使用 return 来创建一个包含您以后可以使用的所有输出的新列表，而不是在您运行时打印输出：

output = []

def doSomething(i):
    return i * 2

for i in range(1, 100):
    output.append(doSomething(i))

# output is now a list with values like:
# [2, 4, 6, 8, 10, 12, ...]

从多份简历中提取全部为 PDF 格式的信息

Extracting information from multiple resumes all in PDF format

python

nlp

python-3.x

elasticsearch

pypdf2