pdf提取排序

app/tool/resume_text_extractor.py

@@ -37,13 +37,18 @@ async def _parse_txt(content: bytes) -> str:
 
 
 async def _parse_pdf(content: bytes) -> str:
-    """解析 PDF：使用 PyMuPDF 逐页 get_text() 拼接为全文文本"""
+    """解析 PDF：使用 PyMuPDF 逐页 get_text() 拼接为全文文本
+
+    sort=True 按文本块坐标(y,x)排序输出，即视觉阅读顺序。
+    默认的内容流顺序对模板生成的简历完全不可用：这类简历的「公司/职位/时间」表头是绝对定位文本框，
+    会被整批甩到全文最前面，与各自的职责描述相隔几十行，AI 无法还原归属关系。
+    """
 
     def _extract() -> str:
         parts: list[str] = []
         with fitz.open(stream=content, filetype="pdf") as doc:
             for page in doc:
-                parts.append(page.get_text())
+                parts.append(page.get_text("text", sort=True))
         return "\n".join(parts)
 
     return await asyncio.to_thread(_extract)