在人力资源招聘场景中，HR每天需要处理大量简历，人工录入信息效率低、易出错。本案例将通过Python结合昇思框架，实现简历自动读取、关键信息智能抽取、技能标签标准化、结构化输出 全流程，代码可直接运行、可用于毕业设计与课程实战。
本项目全程基于华为昇思MindSpore 国产AI框架，真正实现国产化AI技术在智能招聘领域的应用。
一、项目功能与技术栈
1. 核心功能
支持 .docx / .pdf 双格式简历文本提取
自动识别抽取：姓名、电话、邮箱、学历、学校、专业、技能
技能标签标准化（如MindSpore/昇思统一、大模型/深度学习统一）
输出标准JSON结构化数据
2. 技术栈
深度学习框架：昇思MindSpore
文档处理：python-docx、pdfplumber
文本处理：正则表达式、jieba分词
数据处理：pandas、json
二、环境配置与完整代码实现
1. 安装所需依赖包，执行以下命令：
!pip install PyPDF2 python-docx pdfplumber pandas jieba
这个安装过程有点长，请耐心等待，安装完成如下图所示：
依赖说明：
PyPDF2：辅助解析PDF文件，提升PDF文本提取兼容性
python-docx：读取Word（.docx）文件，提取简历文本内容
pdfplumber：核心PDF解析工具，精准提取PDF每页文本，避免乱码
pandas：数据处理工具，预留后续简历数据批量处理、入库功能
jieba：中文分词工具，为后续文本向量化、关键词优化提供支持
注：昇思MindSpore已安装，此处无需重复安装。
2. 完整可运行代码
import re
import json
import jieba
import pandas as pd
import mindspore as ms
from docx import Document
import pdfplumber
# ====================== 昇思环境配置 ======================
ms.set_context(mode=ms.GRAPH_MODE, device_target="CPU")
# ====================== 1. PDF / Word 文档解析 ======================
def extract_word_text(file_path):
try:
doc = Document(file_path)
return "\n".join([para.text.strip() for para in doc.paragraphs if para.text.strip()])
except:
return ""
def extract_pdf_text(file_path):
text = ""
try:
with pdfplumber.open(file_path) as pdf:
for page in pdf.pages:
t = page.extract_text()
if t:
text += t + "\n"
except:
pass
return text
def extract_resume(file_path):
if file_path.endswith(".docx"):
return extract_word_text(file_path)
elif file_path.endswith(".pdf"):
return extract_pdf_text(file_path)
else:
return ""
# ====================== 2. 简历 NER 实体抽取 ======================
class ResumeNER:
def __init__(self):
self.phone_pattern = re.compile(r'1[3-9]\d{9}')
self.email_pattern = re.compile(r'\w+([-+.]\w+)*@\w+([-.]\w+)*\.\w+([-.]\w+)*')
self.edu_list = ["本科", "硕士", "博士", "大专"]
self.school_keywords = ["大学", "学院", "理工", "师范", "科技"]
self.major_list = ["计算机", "软件", "电子", "自动化", "人工智能"]
self.skill_base = [
"Python", "Java", "MindSpore", "昇思", "MySQL", "Redis",
"Linux", "大模型", "深度学习", "Docker", "Git"
]
def extract(self, text):
res = {}
lines = text.split("\n")
# 电话
phones = self.phone_pattern.findall(text)
res["phone"] = phones[0] if phones else ""
# 邮箱
emails = self.email_pattern.findall(text)
res["email"] = emails[0] if emails else ""
# 学历
res["education"] = ""
for edu in self.edu_list:
if edu in text:
res["education"] = edu
break
# 学校
res["school"] = ""
for line in lines:
if any(k in line for k in self.school_keywords):
res["school"] = line.strip()
break
# 专业
res["major"] = ""
for m in self.major_list:
if m in text:
res["major"] = m
break
# 技能
skills = []
for s in self.skill_base:
if s in text:
skills.append(s)
res["skills"] = skills
# 姓名
res["name"] = ""
for line in lines[:5]:
line = line.strip()
if 2 <= len(line) <= 4 and all('\u4e00' <= c <= '\u9fff' for c in line):
res["name"] = line
break
return res
# ====================== 3. 技能标准化 ======================
SKILL_MAP = {
"python": ["Python", "python", "py"],
"java": ["Java", "java"],
"mindspore": ["MindSpore", "昇思"],
"mysql": ["MySQL", "mysql"],
"大模型": ["大模型", "深度学习", "机器学习"]
}
def normalize_skills(skill_list):
std = []
for s in skill_list:
for standard, alias in SKILL_MAP.items():
if s in alias:
std.append(standard)
break
else:
std.append(s)
return list(set(std))
# ====================== 4. 全流程主函数 ======================
def resume_parse_pipeline(file_path=None):
# 无文件则使用内置模拟简历（直接运行）
if file_path is None:
demo = """
李四
电话：12222222222
邮箱：lisi@qianduanjidi.com
教育经历：
社会大学 本科 计算机科学与技术
专业技能：
Python、MindSpore、MySQL、Redis、Linux、大模型、深度学习
"""
text = demo
else:
text = extract_resume(file_path)
print("=" * 50)
print("📄 提取文本成功")
print("=" * 50)
# NER 抽取
ner = ResumeNER()
result = ner.extract(text)
# 技能标准化
result["skills_standard"] = normalize_skills(result["skills"])
# 输出 JSON
output = {
"code": 0,
"msg": "解析成功",
"data": result
}
print("\n✅ 结构化结果：\n")
print(json.dumps(output, ensure_ascii=False, indent=2))
return output
# ====================== 直接运行 ======================
if __name__ == "__main__":
# resume_parse_pipeline() # 无文件测试
resume_parse_pipeline("简历.docx") # 有文件用这个
3. 简历.docx
三、代码核心模块讲解
以下结合代码逻辑，逐模块拆解核心功能，理解每一行代码的作用，适配昇思智能招聘实战场景，方便后续修改和扩展。
1 . 代码逐模块详细解析
import re
import json
import jieba
import pandas as pd
import mindspore as ms
from docx import Document
import pdfplumber
（1）导入依赖包与昇思环境配置
re：正则表达式工具，核心用于抽取电话、邮箱（最精准的文本匹配方式）；
这部分是代码的“基础准备”，导入所有需要用到的工具，每一个包都对应核心功能，避免冗余：
jieba：中文分词工具，预留后续文本优化（如岗位匹配时的分词处理）；
json：用于将解析结果封装成JSON格式，方便后续对接招聘系统；
mindspore as ms：导入昇思框架，挂载AI计算环境，是本项目“国产化AI”的核心标识；
pandas：数据处理工具，预留批量解析简历、数据入库功能；
pdfplumber：读取PDF简历的核心工具，比普通PDF解析工具更精准，避免乱码。
Document（from docx）：读取Word简历的核心工具；
# ====================== 昇思环境配置 ======================
ms.set_context(mode=ms.GRAPH_MODE, device_target="CPU")
•device_target=“CPU”：指定使用CPU运行，适配大多数设备（新手无需配置GPU，后续可切换为昇腾芯片/GPU，贴合国产化部署）。
•mode=ms.GRAPH_MODE：启用昇思计算图模式，提升代码运行效率，为后续接入昇思大模型做准备；
（2）PDF/Word文档解析模块（3个核心函数）
# ====================== 1. PDF / Word 文档解析 ======================
def extract_word_text(file_path):
try:
doc = Document(file_path)
return "\n".join([para.text.strip() for para in doc.paragraphs if para.text.strip()])
except:
return ""
def extract_pdf_text(file_path):
text = ""
try:
with pdfplumber.open(file_path) as pdf:
for page in pdf.pages:
t = page.extract_text()
if t:
text += t + "\n"
except:
pass
return text
def extract_resume(file_path):
if file_path.endswith(".docx"):
return extract_word_text(file_path)
elif file_path.endswith(".pdf"):
return extract_pdf_text(file_path)
else:
return ""
读取Word（.docx）简历:
•[para.text.strip() for para in doc.paragraphs]：遍历Word所有段落，提取每段文本并去除前后空白；
•Document(file_path)：打开指定路径的Word文件；
•try…except：异常捕获，防止Word文件损坏、路径错误导致程序崩溃，出错时返回空文本。
•if para.text.strip()：过滤空段落（避免简历中的空白行干扰后续识别）；
读取PDF简历:
•for page in pdf.pages：遍历PDF每一页，逐页提取文本；
•pdfplumber.open(file_path)：打开指定路径的PDF文件，with语句自动关闭文件，避免资源泄露；
1.text += t + “\n”：将每页文本拼接，保留页面分隔逻辑，便于后续按行识别信息（如姓名、学校）。
2.if t：过滤空白页（部分PDF空白页无文本，避免无效内容）；
统一入口，自动识别文件格式:
file_path.endswith(“.pdf”)：判断文件是否为PDF格式，是则调用extract_pdf_text函数；
file_path.endswith(“.docx”)：判断文件是否为Word格式，是则调用extract_word_text函数；
（3）简历实体抽取（NER）模块（ResumeNER类）
# ====================== 2. 简历 NER 实体抽取 ======================
class ResumeNER:
def __init__(self):
self.phone_pattern = re.compile(r'1[3-9]\d{9}')
self.email_pattern = re.compile(r'\w+([-+.]\w+)*@\w+([-.]\w+)*\.\w+([-.]\w+)*')
self.edu_list = ["本科", "硕士", "博士", "大专"]
self.school_keywords = ["大学", "学院", "理工", "师范", "科技"]
self.major_list = ["计算机", "软件", "电子", "自动化", "人工智能"]
self.skill_base = [
"Python", "Java", "MindSpore", "昇思", "MySQL", "Redis",
"Linux", "大模型", "深度学习", "Docker", "Git"
]
def extract(self, text):
res = {}
lines = text.split("\n")
# 电话
phones = self.phone_pattern.findall(text)
res["phone"] = phones[0] if phones else ""
# 邮箱
emails = self.email_pattern.findall(text)
res["email"] = emails[0] if emails else ""
# 学历
res["education"] = ""
for edu in self.edu_list:
if edu in text:
res["education"] = edu
break
# 学校
res["school"] = ""
for line in lines:
if any(k in line for k in self.school_keywords):
res["school"] = line.strip()
break
# 专业
res["major"] = ""
for m in self.major_list:
if m in text:
res["major"] = m
break
# 技能
skills = []
for s in self.skill_base:
if s in text:
skills.append(s)
res["skills"] = skills
# 姓名
res["name"] = ""
for line in lines[:5]:
line = line.strip()
if 2 <= len(line) <= 4 and all('\u4e00' <= c <= '\u9fff' for c in line):
res["name"] = line
break
return res
这是代码的“核心大脑”，负责从提取的纯文本中，自动识别并抽取HR最关心的7类信息（姓名、电话、邮箱、学历、学校、专业、技能），采用“正则+关键词匹配”模式，轻量易运行，新手可快速理解，后续可替换为昇思NER大模型提升精度。
self.phone_pattern：正则匹配11位手机号（13-9开头，覆盖所有合法手机号格式）；
__init__方法：初始化匹配规则和关键词库，提前定义好需要识别的内容，避免重复代码：
关键词库：提前定义好常见的学历、学校关键词、专业、技能，用于快速匹配，适配IT行业招聘场景（可根据需求添加，如“大数据”“云计算”）。
self.email_pattern：正则匹配标准邮箱格式（含@、域名，兼容各种邮箱后缀）；
电话抽取逻辑：
•self.phone_pattern.findall(text)：从文本中匹配所有符合手机号格式的内容，返回列表；
•text.split(“\n”)：将纯文本按换行分割成列表，便于按行识别信息（如学校、姓名）；
•res[“phone”] = phones[0] if phones else “”：取第一个匹配到的手机号（简历通常只有一个手机号），无匹配则返回空。
邮箱抽取逻辑： 与手机号抽取逻辑一致，匹配所有符合邮箱格式的内容，取第一个，无匹配则返回空。
学历抽取逻辑： 遍历提前定义的学历列表，匹配到第一个学历（如“本科”）就停止，避免多学历冲突（简历通常只写最高学历）。
学校抽取逻辑： 按行遍历文本，只要某一行包含“大学”“学院”等关键词，就判定为学校信息，取第一行（简历学校通常在教育经历开头）。
专业抽取逻辑： 遍历提前定义的专业列表，匹配到第一个专业关键词（如“软件”“计算机”）就停止，适配IT招聘场景。
技能抽取逻辑： 遍历技能库，将简历中出现的所有技能都提取出来，存入列表（支持多技能提取，符合IT岗位多技能需求）。
（4）技能标准化模块（SKILL_MAP字典+normalize_skills函数）
# ====================== 3. 技能标准化 ======================
SKILL_MAP = {
"python": ["Python", "python", "py"],
"java": ["Java", "java"],
"mindspore": ["MindSpore", "昇思"],
"mysql": ["MySQL", "mysql"],
"大模型": ["大模型", "深度学习", "机器学习"]
}
核心解决“简历技能写法不统一”的痛点——不同候选人可能写“MindSpore”或“昇思”，写“Python”或“py”，标准化后便于企业人才库统一管理、精准筛选。
def normalize_skills(skill_list):
std = []
for s in skill_list:
for standard, alias in SKILL_MAP.items():
if s in alias:
std.append(standard)
break
else:
std.append(s)
return list(set(std))
SKILL_MAP字典：定义“标准技能标签”与“别名”的映射关系，key是标准标签，value是所有可能的别名，可根据招聘需求添加（如添加“docker”的别名）。
遍历抽取的原始技能列表（skill_list）；
标准化逻辑：
else：若技能不在预设别名中，直接保留原始技能（避免遗漏特殊技能）；
若技能在某一标准标签的别名列表中，就将标准标签加入新列表（如“昇思”对应标准标签“mindspore”）；
list(set(std))：去重（避免同一技能被多次提取），返回标准化后的技能列表。
（5）运行入口
•return output：返回解析结果，便于后续模块调用（如第三篇的人才评分、岗位匹配）。
功能解析：程序的启动开关，可直接修改注释，切换运行模式：
# ====================== 直接运行 ======================
if __name__ == "__main__":
# resume_parse_pipeline() # 无文件测试
resume_parse_pipeline("简历.docx") # 有文件用这个
•注释的resume_parse_pipeline()：无文件测试模式，取消注释后，直接运行代码，使用内置模拟简历测试；
•if name == “main”：表示只有当直接运行该脚本时，才执行下面的代码（避免被其他脚本导入时误执行）；
•可修改参数：若解析PDF简历，将参数改为"简历.pdf"即可（如resume_parse_pipeline(“简历.pdf”)）。
•启用的resume_parse_pipeline(“简历.docx”)：本地文件解析模式，需将“简历.docx”放在代码同一文件夹，运行后解析该简历，输出结构化结果；
2. 文档读取模块
支持Word、PDF自动识别读取，无需人工复制文本，是智能招聘系统的数据入口。
3. 简历实体抽取（NER）
通过规则+关键词匹配，自动提取：
•姓名、电话、邮箱
•学历、学校、专业
•技能列表
这是HR筛选人才最核心的关键字段。
4. 技能标准化
解决简历写法不统一问题：
•MindSpore、昇思 → 统一为 mindspore
•大模型、深度学习 → 统一为 大模型
便于企业人才库统一管理、精准筛选。
5. 结构化输出
输出标准JSON格式，可直接对接：
•招聘后台管理系统
•人才数据库
•AI岗位匹配引擎
四、运行结果与说明
运行代码后，控制台输出结构化简历数据，如下图所示：
