优化简历提取速度

app/tool/file_parser.py

@@ -1,24 +1,25 @@
 """文件解析工具
 
 将上传的简历文件（PDF / Word / TXT）转换为纯文本字符串。
+PDF 使用 PyMuPDF (fitz) 按文本块提取，保持段落边界和阅读顺序。
 """
 
 import io
 
-import pdfplumber
+import fitz
 from docx import Document
 
 from app.core.logger import log
 
 
 def parse_pdf(content: bytes) -> str:
-    """解析 PDF 文件，提取全部页面文本"""
+    """解析 PDF 文件，按文本块提取，过滤图片块，保持阅读顺序"""
     text_parts: list[str] = []
-    with pdfplumber.open(io.BytesIO(content)) as pdf:
-        for page in pdf.pages:
-            page_text = page.extract_text()
-            if page_text:
-                text_parts.append(page_text)
+    with fitz.open(stream=content, filetype="pdf") as doc:
+        for page in doc:
+            for b in page.get_text("blocks", sort=True):
+                if b[6] == 0 and b[4].strip():  # type 0=文本块, 1=图片块
+                    text_parts.append(b[4].strip())
     return "\n".join(text_parts)
 
 
@@ -28,22 +29,16 @@ def parse_docx(content: bytes) -> str:
         doc = Document(io.BytesIO(content))
     except Exception:
         raise ValueError("无法解析该 Word 文件，如果是旧版 .doc 格式，请另存为 .docx 后重试")
-
     text_parts: list[str] = []
-
-    # 段落
     for para in doc.paragraphs:
         text = para.text.strip()
         if text:
             text_parts.append(text)
-
-    # 表格
     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():
                 text_parts.append(row_text)
-
     return "\n".join(text_parts)
 
 
@@ -61,7 +56,6 @@ def parse_to_text(filename: str, content: bytes) -> str:
     """根据文件名后缀自动选择解析方法，返回纯文本"""
     suffix = filename[filename.rfind("."):].lower() if "." in filename else ""
     log.info(f"解析文件: {filename}，类型: {suffix}")
-
     if suffix == ".pdf":
         return parse_pdf(content)
     elif suffix in (".docx", ".doc"):