从简历创建页面列表并获取第一页

Question

我的目标是根据职位描述对简历进行排名：

为此我有以下任务：

从简历创建页面列表。

鉴于多份简历，我应该能够将它们分成几页。简历可以是 text、doc、docx、pdf 或 html 格式？

以下链接仅适用于 pdf 并且仅在出现分页时： PyPDF2 split pdf by pages

Answer 1

没有一种解决方案可以从不同的文件类型中提取文本。尝试使用 fitz 包从 pdf 中提取文本：

def extractTextfrompdf(resume):
    try:
        temp = fitz.open("pdf", resume)
        pageCount = temp.pageCount
        resumeText = ["".join(temp.getPageText(i) for i in range(pageCount))][0]
        return resumeText, pageCount
    except (TypeError,ValueError):
        logger.exception("Text extraction from pdf failed.")
        pass

您可以使用 python-docx 从 docx 文件中提取文本。逻辑应该很相似。