resume-parse-evaluation

Evaluate existing engine of resume parse for Chinese 对各种简历解析工具的测评

paddler ocr 相關的有一個table structure extract 不知道能不能套上來

另外就是https://github.com/jamesturk/scrapeghost 看到一個gpt的應用 不知道有沒有可行性

https://github.com/hxu296/nlp-resume-parser

从简历中提取感兴趣的字段

Background

一般来讲，不同的候选者和公司所选择的招聘渠道的不同，我们会收到不同类型的简历：

1.1 各大招聘网站上的网页版或网站上提供下载的简历

应聘者在各网站上，包括外部的网站和自己公司的网站，按网站提供的固定模板填写信息，形成网页版或从网页下载的其它格式简历（统称网页版简历）。

针对网页版简历的基础解析技术，各公司准确率不相上下，难度在于针对每一个固定模板做细致的分析，简历解析技术的准确度依赖于勤奋和经验。 智联、51、拉勾、猎聘、

1.2 应聘者按照自己的想法和偏好，制作word、pdf、png，甚至是 excel 格式的电子文档简历。

这种简历格式五花八门，由于不是直接以网页代码的模式呈现，且没有相对固定的模板和关键词字段，就给系统识别带来了挑战。对于系统来讲，要寻找规律并进行判断和识别就会有一定的难度，这一类的简历解析无法做到百分百。

1.3 简历文件的格式

doc, docx, xls, xlsx, mht, mhtml, html, htm, txt, pdf, rtf, eml, wps, xml, dotx, msg, jpeg, jpg, gif, png, bmp 等格式，基本上覆盖了招聘市场上99%的简历格式。

1.4 简历中的数据

中英文混合，大概有100余个字段，涵盖基本信息、联系方式、期望职位、教育经历、工作经历、 项目经历、技能、语言能力、证书、自我评价等字段信息。

Tools

商业化软件和解决方案

公司名称	网站	网友评价	测试demo	支持格式	价格	部署方式	其他
捕鱼科技	http://www.buyu-tech.com/ http://www.cv-parser.com/	--	Y	不支持图片 pdf、doc、docx、html、htm、txt、zip、mht、ppt等	---	SaaS和本地部署
云解析	http://youyun.com	他家的demo效果很一般，稍微特殊一点的情况就处理不好；	Y	21种简历格式 支持图片		saas
cv-extract 北京有本科技	http://k18.com.cn	这家做解析有一定的时间了，改头换面也包装了几家分店。总体效果还可以，但还存在不少的问题；	Y	支持图片		SaaS和本地部署
北京云湾科技有限公司	http://resumesdk.com	这家比较低调，感觉不太善于宣传，但总体效果是三家中最好的，特别是能很好解决不同网站模板包括自由格式的简历，而且上手很简单方便。	Y	支持图片		SaaS和本地部署
德士达科技公司	http://www.daxtra.cn/	简历解析Daxtra 做得相当不错，我听说他们香港有设点也在国内推广，听说是爱丁堡大学教授开发的算法。蛮多外国大公司和猎头用他们的。	N	--	--	--
杭州少世科技有限公司	www.littleparser.com	小析简历解析，免费试用现在，国际大数据团队研发的	Y	不支持图片	--	SaaS	--
山卡拉	http://cv-extract.com/	--	Y 不可用	不支持图片	--	SaaS	---
CV Tech 简历	http://www.jianlijiexi.com/	--	Y	支持图片	--	SaaS和本地部署	---
大易	http://www.dayee.com/wt/dayee/dayeePageresume	--	N	不支持图片	--	--	--
麦穗简历洞察	https://www.mesoor.com/resume-insight.html	--	N	不支持图片	--	--	--

开源库

• 简历解析工具:支持猎聘、前程无忧、拉勾、智联网站上的简历 支持html、doc、pdf、eml

• python解析简历:支持doc、pdf、eml、html 首先将不同格式的简历先转换成txt再进行提取

• 简历解析的restful服务:支持猎聘、51job、智联的html简历

• 基于纯文本的简历解析器，解析服务，支持磁盘扫描，简历内容抽取，简历解析，简历存储: 支持的文件格式有pdf,word,text,html等

• 简历内容提取:手动标记 提取简历数据 支持51job、智联的html格式

• 针对求职者自己的简历进行解析:支持html，word，text，分词器（HanLP）结合正则表达式 已提取的包括：姓名、性别、年龄、家庭住址、手机号、邮箱、毕业院校、学历、专业、工年

Benchmark resumes

从网络上收集一些公开获取的简历数据，不适之处请联系删除

• word格式

• txt格式

• html格式

• pdf格式

• eml格式

• excel格式

• mdht格式

Todos

• xxxxx.

Prospective project tree:

  ├── README.md
  ├── resume-samples
  |   ├── pdf
  |   |   └── ca-warn-2013
  |   |       ├── 001.csv
  |   |       ├── 002.csv
  |   |       └── 003.csv
  |   ├── word
  |   |   └── ca-warn-2013
  |   |       ├── 001.csv
  |   |       ├── 002.csv
  |   |       └── 003.csv
  |   ├── html
  |   |   └── ca-warn-2013
  |   |       ├── 001.csv
  |   |       ├── 002.csv
  |   |       └── 003.csv
  |   ├── txt
  |   |   └── ca-warn-2013
  |   |       ├── 001.csv
  |   |       ├── 002.csv
  |   |       └── 003.csv
  |   ├── excel
  |   |   └── ca-warn-2013
  |   |       ├── 001.csv
  |   |       ├── 002.csv
  |   |       └── 003.csv
  |   ├── mdht
  |   |   └── ca-warn-2013
  |   |       ├── 001.csv
  |   |       ├── 002.csv
  |   |       └── 003.csv      
  ├── results
  |   ├── pdf
  |   |   └── 捕鱼
  |   |   |   ├── 001.csv
  |   |   |   ├── 002.csv
  |   |   |   └── 003.csv
  |   |   └── 云解析
  |   |   |   ├── 001.csv
  |   |   |   ├── 002.csv
  |   |   |   └── 003.csv     
  |   |   └── 有本科技
  |   |   |   ├── 001.csv
  |   |   |   ├── 002.csv
  |   |   |   └── 003.csv
  |   |   └── 云湾科技
  |   |   |   ├── 001.csv
  |   |   |   ├── 002.csv
  |   |   |   └── 003.csv             
  |   ├── html
  |   |   └── 捕鱼
  |   |   |   ├── 001.csv
  |   |   |   ├── 002.csv
  |   |   |   └── 003.csv
  |   |   └── 云解析
  |   |   |   ├── 001.csv
  |   |   |   ├── 002.csv
  |   |   |   └── 003.csv     
  |   |   └── 有本科技
  |   |   |   ├── 001.csv
  |   |   |   ├── 002.csv
  |   |   |   └── 003.csv
  |   |   └── 云湾科技
  |   |   |   ├── 001.csv
  |   |   |   ├── 002.csv
  |   |   |   └── 003.csv 
  |   ├── txt
  |   |   └── 捕鱼
  |   |   |   ├── 001.csv
  |   |   |   ├── 002.csv
  |   |   |   └── 003.csv
  |   |   └── 云解析
  |   |   |   ├── 001.csv
  |   |   |   ├── 002.csv
  |   |   |   └── 003.csv     
  |   |   └── 有本科技
  |   |   |   ├── 001.csv
  |   |   |   ├── 002.csv
  |   |   |   └── 003.csv
  |   |   └── 云湾科技
  |   |   |   ├── 001.csv
  |   |   |   ├── 002.csv
  |   |   |   └── 003.csv 
  |   ├── excel
  |   |   └── 捕鱼
  |   |   |   ├── 001.csv
  |   |   |   ├── 002.csv
  |   |   |   └── 003.csv
  |   |   └── 云解析
  |   |   |   ├── 001.csv
  |   |   |   ├── 002.csv
  |   |   |   └── 003.csv     
  |   |   └── 有本科技
  |   |   |   ├── 001.csv
  |   |   |   ├── 002.csv
  |   |   |   └── 003.csv
  |   |   └── 云湾科技
  |   |   |   ├── 001.csv
  |   |   |   ├── 002.csv
  |   |   |   └── 003.csv 
  |   ├── word
  |   |   └── 捕鱼
  |   |   |   ├── 001.csv
  |   |   |   ├── 002.csv
  |   |   |   └── 003.csv
  |   |   └── 云解析
  |   |   |   ├── 001.csv
  |   |   |   ├── 002.csv
  |   |   |   └── 003.csv     
  |   |   └── 有本科技
  |   |   |   ├── 001.csv
  |   |   |   ├── 002.csv
  |   |   |   └── 003.csv
  |   |   └── 云湾科技
  |   |   |   ├── 001.csv
  |   |   |   ├── 002.csv
  |   |   |   └── 003.csv 
  |   ├── mdht
  |   |   └── 捕鱼
  |   |   |   ├── 001.csv
  |   |   |   ├── 002.csv
  |   |   |   └── 003.csv
  |   |   └── 云解析
  |   |   |   ├── 001.csv
  |   |   |   ├── 002.csv
  |   |   |   └── 003.csv     
  |   |   └── 有本科技
  |   |   |   ├── 001.csv
  |   |   |   ├── 002.csv
  |   |   |   └── 003.csv
  |   |   └── 云湾科技
  |   |   |   ├── 001.csv
  |   |   |   ├── 002.csv
  |   |   |   └── 003.csv 

Example test suite and results

java -jar \
    bins/tabula-0.9.1-jar-with-dependencies.jar --pages all \
    pdfs/nypd-weekly-stats.pdf \
    > results/tabula-java/nypd-weekly-stats.csv

java -jar \
    bins/tabula-0.9.1-jar-with-dependencies.jar --pages all \
    pdfs/menlo-park-sunridge-cad-interface.pdf \
    > results/tabula-java/menlo-park-sunridge-cad-interface.csv