編者按：如果你曾負責(zé)過招聘，篩查簡歷一定讓你又愛又恨，能看到一份層次鮮明重點突出的簡歷簡直是一股清流。面對格式多樣的簡歷，如何能一眼看到重點呢？作者Yogesh H. Kulkarni就設(shè)計了一款能挖掘簡歷中重要信息文本的框架RegEx。以下是論智的編譯。

摘要

本文展示了一種用于從文本簡歷中挖掘相關(guān)信息的框架。雖然這里只有一份簡歷作為案例，但是今后，框架不僅可以進一步擴展到不同簡歷格式上，還可以用到例如決策、合同、藥物說明書等文本上。

介紹

世界上大多數(shù)非結(jié)構(gòu)化的數(shù)據(jù)都在文本形式中。為了理解這一點，我們要么花費大量精力處理它，要么你運用一些自動手段提取出有用信息。面對大量、風(fēng)格各異的文本數(shù)據(jù)，還是需要用文本挖掘技術(shù)提取相關(guān)信息，將結(jié)構(gòu)混亂的數(shù)據(jù)轉(zhuǎn)化成結(jié)構(gòu)清晰的形式，之后才能進一步進行處理、分析、可視化。

這篇文章的關(guān)注重點比較特殊，是候選人的個人檔案或簡歷。我們都知道，HR收到的簡歷通常有各種格式的（txt、doc、pdf等等），而且內(nèi)容和版面設(shè)計也是五花八門，想從這些文件中篩選出自己認為有用的信息是一項非常有挑戰(zhàn)性的工作。即使如此，我們可能還不能完全提取出有用的信息，因為格式實在是多種多樣，所以我們可以先從簡單的步驟開始，至少從我們已知的形式中提取出有效信息。

簡單地說，這里有兩種方法：基于語言學(xué)的方法和基于機器學(xué)習(xí)的方法。在語言學(xué)的方法中，為了尋找關(guān)鍵信息用的是模式搜索的方法，而在機器學(xué)習(xí)中，提取信息時用到的是監(jiān)督或非監(jiān)督的方法。在這篇文章中用到的RegEx術(shù)語基于語言學(xué)的模式匹配方法。

框架

想從簡歷中提取目標對象的一種簡單方法就是在編碼程序中，為每個對象寫一個模式匹配的邏輯。如果模式有任何改變，或者如果有新的對象或模式出現(xiàn)，你需要改變編碼程序。這使得框架的維護變得非常麻煩，復(fù)雜程度不斷提高。為了解決這個問題，我們的框架提出了分離邏輯分析和目標種類的方法，下面會詳細進行講解。目標對象和它們的RegEx模式在配置文件中都有詳細的記錄，文件同時還記錄了為每種對象提取方法的類別。這種分離方法的優(yōu)點是，它不僅可以重復(fù)使用，保持穩(wěn)定，而且還可以用到其他領(lǐng)域，例如合同文件、法律文件或者醫(yī)療報告等等。

元素查找

配置文件指定了需要被提取的對象以及它們的模式和提取方法。它同樣指定了需要尋找目標所在的區(qū)域。具體代碼如下：

上述代碼表述了例如姓名、電話、電子郵件等要素的元數(shù)據(jù)，用來提取它們的方法是“univalue_extractor”。這些要素所在的區(qū)域用“”表示，這是一個未經(jīng)標記的區(qū)域，可以指簡歷最開頭的那幾行。類似電子郵件或電話號碼的要素可能會有多種表達方式，如果第一種方法識別失敗，會自動啟動第二種方法。

姓名：通常簡歷的第一行會寫姓名，有可能會帶有“姓名”兩個字作為開頭。

電子郵件：通常是一個單詞（其中可能會夾雜一個點），然后出現(xiàn)“@”，之后又是英文字母、標點、字母。

電話：國際區(qū)號省略，之后是3-3-4的數(shù)字模式，前三個數(shù)字也有可能省略（固定電話）。

Python的’etree’ ElementTree庫用來在內(nèi)部詞典中分析config xml。

分析器讀取技術(shù)參數(shù)的詞典，并用它來尋找文本簡歷中的元素。

一旦找到匹配的元素，它就會以節(jié)點標示的形式存儲起來，例如電子郵件、電話等等。

像上述元數(shù)據(jù)一樣，教育資質(zhì)可以按以下步驟搜索：

利用分析器的“section_value_extractor”，在“EducationSection”區(qū)域中進行分析，通過匹配文字找到區(qū)域內(nèi)的價值。

san如果分析器找到任何含有“10th”、“X”、“SSC”的文字，它就會提取出描述中學(xué)的相關(guān)信息。

如果分析器找到任何含有“12th”、“XII”、“HSC”字樣的文本，它會提取出代表高中學(xué)歷的關(guān)鍵信息。

分割

上面的代碼表示標有“總體部分”或“教育部分”的文本。這些通常都在配置文件的頂部。

“section_extractor”方法一行一行地分析文件，并尋找文本的小標題。

通過標題的關(guān)鍵詞可以了解每一段的主要內(nèi)容。例如“總結(jié)部分”可能會含有“總結(jié)”、“目標”等詞語。

一旦匹配，“總結(jié)部分”就確定了下來，之后會進行下一部分的分析。

新的標題匹配后，系統(tǒng)會自動開始下一部分的匹配。

結(jié)果

分析出的一份簡歷如下：

具體的操作步驟可見GitHub：github.com/yogeshhk/MiningResume

結(jié)語

這篇文章展示了從非結(jié)構(gòu)化數(shù)據(jù)（如簡歷）中挖掘結(jié)構(gòu)化信息的過程，由于只有一個案例展示，因此它可能不適用于其他格式。今后我們會對此改進，使其適合其他簡歷類型，甚至其他領(lǐng)域的文檔。