重构简历导入

This commit is contained in:
zk
2026-07-01 18:41:51 +08:00
parent dfe7cca5a4
commit 89d033c9f9
6 changed files with 172 additions and 241 deletions
-92
View File
@@ -1,92 +0,0 @@
"""文件解析工具
将上传的简历文件解析为「文本单元数组」,供 AI 按行号定位 description/summary,避免照抄长文本。
- PDF:使用 LiteParse(JSON 模式)按文本块的阅读顺序提取,每个文本块作为一个单元。
关闭 OCR —— 文本型简历无需 OCR,且 OCR 默认会联网下载字库导致严重阻塞。
- Word(.docx):按段落(paragraph)切分,表格行用 \t 拼成一个单元。
- TXT / Markdown(.md):自动检测编码,按换行切分。
"""
import io
from collections import Counter
from docx import Document
from liteparse import LiteParse
from app.core.logger import log
# LiteParse 解析器复用实例(关闭 OCR、静默日志)。线程安全由调用方的 to_thread 串行保证。
_PDF_PARSER = LiteParse(output_format="json", ocr_enabled=False, quiet=True)
def _drop_repeated(segments: list[str], threshold: int = 3) -> list[str]:
"""过滤重复出现的行(水印/页眉页脚特征):完全相同且出现次数 >= threshold 的行整体丢弃"""
counts = Counter(segments)
return [s for s in segments if counts[s] < threshold]
def _pdf_segments(content: bytes) -> list[str]:
"""解析 PDF:使用 LiteParse 按阅读顺序遍历每页文本块,每块作为一个独立单元,过滤空行。
不在预处理阶段合并行——是否合并/分段/排除噪声全部交给 AI 的行号区间决定。
"""
result = _PDF_PARSER.parse(content)
segments: list[str] = []
for page in result.pages:
for item in page.text_items:
text = item.text.strip()
if text:
segments.append(text)
return segments
def _docx_segments(content: bytes) -> list[str]:
"""解析 Word (.docx),按段落切分为单元,表格行用 \t 拼为一个单元"""
try:
doc = Document(io.BytesIO(content))
except Exception:
raise ValueError("无法解析该 Word 文件,请确认为有效的 .docx 格式")
segments: list[str] = []
for para in doc.paragraphs:
text = para.text.strip()
if text:
segments.append(text)
for table in doc.tables:
for row in table.rows:
row_text = "\t".join(cell.text.strip() for cell in row.cells)
if row_text.strip():
segments.append(row_text)
return segments
def _txt_segments(content: bytes) -> list[str]:
"""解析纯文本 (.txt / .md),自动检测编码,按换行切分为单元"""
text = None
for encoding in ("utf-8", "gbk", "gb2312", "latin-1"):
try:
text = content.decode(encoding)
break
except (UnicodeDecodeError, LookupError):
continue
if text is None:
text = content.decode("utf-8", errors="replace")
return [line.strip() for line in text.splitlines() if line.strip()]
# 后缀 → 解析函数。新增格式只需在此登记一行。
_PARSERS = {
".pdf": _pdf_segments,
".docx": _docx_segments,
".txt": _txt_segments,
".md": _txt_segments,
}
def parse_to_segments(filename: str, content: bytes) -> list[str]:
"""根据文件名后缀选择解析器,返回去重后的「文本单元数组」"""
suffix = filename[filename.rfind("."):].lower() if "." in filename else ""
log.info(f"解析文件: {filename},类型: {suffix}")
parser = _PARSERS.get(suffix)
if parser is None:
raise ValueError(f"不支持的文件类型: {suffix},支持: {', '.join(_PARSERS)}")
return _drop_repeated(parser(content))
+95
View File
@@ -0,0 +1,95 @@
"""简历文字处理
将上传的简历文件提取为纯文本,供后续 AI 重写/结构化使用。
支持格式:.txt / .md / .pdf / .docx
所有解析均为异步(阻塞解析下沉到线程池,避免阻塞事件循环)。
"""
import asyncio
import io
import fitz # PyMuPDF
from docx import Document
from app.core.asserts import Assert
from app.core.logger import log
# 支持的简历文件类型
SUPPORTED_EXTENSIONS = (".txt", ".md", ".pdf", ".docx")
# 纯文本解码尝试的编码顺序
_TEXT_ENCODINGS = ("utf-8", "gbk", "gb2312", "latin-1")
async def _parse_txt(content: bytes) -> str:
"""解析纯文本 (.txt / .md):自动探测编码,返回全文文本"""
def _decode() -> str:
for encoding in _TEXT_ENCODINGS:
try:
return content.decode(encoding)
except (UnicodeDecodeError, LookupError):
continue
# 全部失败时以替换字符兜底,保证不抛异常
return content.decode("utf-8", errors="replace")
return await asyncio.to_thread(_decode)
async def _parse_pdf(content: bytes) -> str:
"""解析 PDF:使用 PyMuPDF 逐页 get_text() 拼接为全文文本"""
def _extract() -> str:
parts: list[str] = []
with fitz.open(stream=content, filetype="pdf") as doc:
for page in doc:
parts.append(page.get_text())
return "\n".join(parts)
return await asyncio.to_thread(_extract)
async def _parse_docx(content: bytes) -> str:
"""解析 Word (.docx):拼接段落文本,表格行用 \t 连接,返回全文文本"""
def _extract() -> str:
try:
doc = Document(io.BytesIO(content))
except Exception:
raise ValueError("无法解析该 Word 文件,请确认为有效的 .docx 格式")
parts: list[str] = []
for para in doc.paragraphs:
text = para.text.strip()
if text:
parts.append(text)
for table in doc.tables:
for row in table.rows:
row_text = "\t".join(cell.text.strip() for cell in row.cells)
if row_text.strip():
parts.append(row_text)
return "\n".join(parts)
return await asyncio.to_thread(_extract)
# 后缀 → 解析函数。新增格式只需在此登记一行,并同步 SUPPORTED_EXTENSIONS。
_PARSERS = {
".txt": _parse_txt,
".md": _parse_txt,
".pdf": _parse_pdf,
".docx": _parse_docx,
}
async def extract_text(filename: str, content: bytes) -> str:
"""简历文字提取统一入口:先校验文件类型受支持,再按后缀路由提取全文文本"""
suffix = filename[filename.rfind("."):].lower() if "." in filename else ""
Assert.is_true(
suffix in SUPPORTED_EXTENSIONS,
f"不支持的文件类型: {suffix or '未知'},支持: {', '.join(SUPPORTED_EXTENSIONS)}",
)
log.info(f"开始提取简历文本: {filename},类型: {suffix}")
text = await _PARSERS[suffix](content)
log.info(f"简历文本提取完成: {filename},字符数: {len(text)}")
return text