• Python
• Bibliothèques: NLTK et Spacy
• Pytesseract
• Bibliothèque d'oreillers
• Images ou fichiers pdf
• PDFPLUMBER ou PYPDF2

• Installez la machine OCR Pytesseract.
• Installez l'oreiller de la bibliothèque
• Installnltk pour la tokenisation (ou spacy)
• Télécharger Tesseract et Configurer le chemin

• Images de prétraitement pour des performances d'OCR améliorées
• Obtenir du texte à partir de fichiers PDF
• Extraction du texte de PDFLUMBER
• Normaliser les jetons pour la cohérence
• Questions fréquemment posées

Outils essentiels pour l'extraction des données CV

Pour extraire efficacement les données des CV et CV, tirant parti des bons outils est essentiel pour rationaliser le processus et assurer la précision. Cette section mettra en évidence les bibliothèques et les technologies clés qui améliorent l'efficacité de l'extraction des données CV, permettant une meilleure analyse et des informations à partir des profils candidats.

Python

Il a une bibliothèque ou une méthode qui peut diviser des phrases ou un paragraphe en mots. Dans Python, vous pouvez réaliser des tokenisation des mots à l'aide de différentes bibliothèques et méthodes, telles que Split () (Tokenisation de base) ou la bo?te à outils en langage naturel (NLTK) et les bibliothèques spacy pour la tokenisation plus avancée.

La tokenisation simple (division des phrases) ne reconna?t pas les ponctuations et autres caractères spéciaux.

 phrases = "Aujourd'hui est une belle journée!."
phrases.split ()
['Aujourd'hui', 'est', 'a', 'beaux', 'jour !.']

Bibliothèques: NLTK et Spacy

Python a un outil plus puissant pour la tokenisation (Natural Language Toolkit (NLTK).

Dans NLTK (Natural Language Toolkit), le tokenzer Punkt tokenise activement le texte en utilisant un modèle pré-formé pour la division des phrases non supervisée et la tokenisation des mots.

 Importer NLTK
nltk.download ('punkt')
à partir de nltk import word_tokenize

phrases = "Aujourd'hui est une belle journée!."
phrases.split ()
Imprimer (phrases)
mots = word_tokenize (phrases)
imprimer (mots)

[nltk_data] Téléchargement du package punkt
[nltk_data] c: \ Users \ ss529 \ appdata \ roaming \ nltk_data ...
Aujourd'hui est une belle journée!.
[?Aujourd'hui?, ?est?, ?a?, ?belle?, ?jour?, ?!?, ?.?]
[nltk_data] package punkt est déjà à jour!

Caractéristiques clés de Punkt:

• Il peut tokeniser un texte donné dans les phrases et les mots sans avoir besoin d'informations préalables sur la grammaire ou la syntaxe de la langue.
• Il utilise des modèles d'apprentissage automatique pour détecter les limites des phrases, ce qui est utile dans les langues où la ponctuation ne sépare pas strictement les phrases.

Spacy est une bibliothèque NLP avancée qui offre une tokenisation précise et d'autres fonctionnalités de traitement linguistique.

Expressions régulières: tokenisation personnalisée basée sur des modèles, mais nécessite un ensemble manuel.

 Importer RE
régulier = "[a-za-z] [\ w]?"
re.findall (réguliers, phrases)
['Aujourd'hui', 'est', 'a', 'beau', 'jour!']

Pytesseract

Il s'agit d'une reconnaissance de caractères optiques basée sur Python utilisée pour lire du texte dans les images.

Bibliothèque d'oreillers

Une bibliothèque open source pour gérer divers formats d'image, utile pour la manipulation d'images.

Images ou fichiers pdf

Les CV peuvent être dans des formats PDF ou d'image.

PDFPLUMBER ou PYPDF2

Pour extraire du texte d'un PDF et le tokenize en mots, vous pouvez suivre ces étapes de Python:

• Extraire du texte d'un PDF à l'aide d'une bibliothèque comme PYPDF2 ou PDFPLUMBER.
• Tokenize le texte extrait à l'aide d'une méthode de tokenisation, telle que Split (), NLTK ou Spacy.

Obtenir des mots à partir de fichiers ou d'images PDF

Pour les fichiers PDF, nous aurons besoin d'un plombier PDF et pour les images OCR.

Si vous souhaitez extraire du texte d'une image (au lieu d'un PDF), puis de la tokenize et du score basé sur des mots prédéfinis pour différents champs, vous pouvez y parvenir en suivant ces étapes:

Installez la machine OCR Pytesseract.

Il va en extraire Helpto des images

 pip installer pytesseract oreiller nltk

Installez l'oreiller de la bibliothèque

Il aidera à gérer diverses images.

En ce qui concerne le traitement et la manipulation de l'image dans Python - tels que le redimensionnement, le recadrage ou la conversion entre différents formats - la bibliothèque open source qui vient souvent à l'esprit est un oreiller.

Voyons comment fonctionne l'oreiller, pour voir l'image dans Jupyter Notebook, je dois utiliser l'affichage et les supports intérieurs doivent stocker la variable tenant l'image.

 à partir de l'image d'importation PIL
image = image.open ('art.jfif')
Affichage (image)

Pour redimensionner et enregistrer l'image, la méthode redimensionnée et enregistrée est utilisée, la largeur est définie sur 400 et la hauteur à 450.

Caractéristiques clés de l'oreiller:

• Formats d'image - Soutenez les différents formats
• Fonctions de manipulation d'images - On peut redimensionner, recadrer des images, convertir les images couleur en gris, etc.

Installnltk pour la tokenisation (ou spacy)

Découvrez comment améliorer vos capacités de traitement de texte en installant NLTK ou Spacy, deux bibliothèques puissantes pour la tokenisation dans le traitement du langage naturel.

Télécharger Tesseract et Configurer le chemin

Apprenez à télécharger Tesseract à partir de GitHub et à l'intégrer de manière transparente dans votre script en ajoutant le chemin nécessaire pour la fonctionnalité OCR optimisée.

 pytesseract.pytesseract.tesseract_cmd = 'C: \ Program Files \ Tesseract-OCR \ Tesseract.exe' '

• macOS: Brew Installer Tesseract
• Linux: installer via Package Manager (par exemple, sudo apt install Tesseract-OCR).
• Pip Installer Pytesseract Oread

Il existe plusieurs outils dont l'une est la bibliothèque open-source développée par Google Tesseract qui a pris en charge de nombreuses langues et OCR.

Pytesseract est utilisé pour les projets basés sur Python, qui agissent comme un emballage pour le moteur OCR Tesseract.

Techniques d'extraction de texte d'image et de PDF

à l'ère numérique, l'extraction du texte des images et des fichiers PDF est devenue essentielle pour diverses applications, y compris l'analyse des données et le traitement des documents. Cet article explore des techniques efficaces pour le prétraitement des images et tirant parti de bibliothèques puissantes pour améliorer la reconnaissance des caractères optiques (OCR) et rationaliser l'extraction de texte à partir de divers formats de fichiers.

Images de prétraitement pour des performances d'OCR améliorées

Les images de prétraitement peuvent améliorer les performances de l'OCR en suivant les étapes mentionnées ci-dessous.

• Images en niveaux de gris: Les images sont converties en niveaux de gris pour réduire l'arrière-plan bruyant et se concentrer fermement sur le texte lui-même, et est utile pour les images avec des conditions d'éclairage variables.
• à partir de PIL import imageops
• image = imageops.grayscale (image)
• Soufflement: appliquez un seuil binaire pour faire ressortir le texte en convertissant l'image en format noir et blanc.
• Redimensionnement: images plus petites haut de gamme pour une meilleure reconnaissance de texte.
• élimination du bruit: retirer le bruit ou les artefacts dans l'image à l'aide de filtres (par exemple, flou gaussien).

 Importer NLTK
Importer Pytesseract
à partir de l'image d'importation PIL
Importer CV2

de nltk.tokenize import word_tokenize

nltk.download ('punkt')
pytesseract.pytesseract.tesseract_cmd = r'c: \ users \ ss529 \ anaconda3 \ Tesseract-oCr \ Tesseract.exe '
Image = Input ("Nom du fichier:")
imag = cv2.imread (image)
 
#convert à l'image en niveaux de gris
gris = cv2.cvtcolor (images, cv2.color_bgr2Gray)
 
de nltk.tokenize import word_tokenize
DEF Text_From_image (image):
    img = image.open (imag)
    text = pytesseract.image_to_string (IMG)
    RETOUR
image = 'cv1.png'


text1 = text_from_image (image)

# Tokenize le texte extrait
tokens = word_tokenize (text1)

Imprimer (jetons)

Pour savoir combien de mots correspondent aux exigences que nous comparerons et donner des points à chaque mot correspondant comme 10.

 # Comparaison des jetons avec des mots spécifiques, ignorer les doublons et calculer le score
def compare_tokens_and_score (tokens, spécifique_words, score_per_match = 10):
    match_words = set (word.lower () pour word en jetons si word.lower () dans Spécifique_words)
    total_score = len (Fields_keywords) * score_per_match
    retourner total_score

# Champs avec des compétences différentes
fields_keywords = {

    "Data_science_carrier": {'supervisé d'apprentissage automatique'
        
}

# Score basé sur des mots spécifiques pour ce champ
Def process_image_for_field (image, champ):
    Si le champ n'est pas dans Fields_keywords:
        print (f "Field '{champ}' n'est pas défini.")
        retour

    # Extraire le texte de l'image
    text = text_from_image (image)
    
    # Tokenize le texte extrait
    tokens = tokenize_text (texte)
    
    # Comparez les jetons avec des mots spécifiques pour le champ sélectionné
    spécifique_words = fields_keywords [champ]
    total_score = compare_tokens_and_score (jetons, spécifique_words)
    print (f "Field: {champ}")
    print ("Score total:", total_score)


image = 'cv1.png' 
field = 'data_science_carrier'

Pour gérer la sensibilité des cas, par exemple, ?science des données? par rapport à la ?science des données?, nous pouvons convertir tous les jetons et mots clés en minuscules.

 tokens = word_tokenize (extrait_text.lower ())

Avec l'utilisation de la lemmatisation avec des bibliothèques NLP comme NLTK ou en stimulant avec du spacy pour réduire les mots (par exemple, ?courir? pour ?exécuter?)

 de nltk.stem importe wordnetlemmatizer

lemmatizer = wordNetlemmatizer ()

Def Normalize_Tokens (Tokens):
    return [lemmatizer.lemmatize (token.lower ()) pour le jeton en jetons]

Obtenir du texte à partir de fichiers PDF

Explorons maintenant les actions requises pour obtenir du texte à partir des fichiers PDF.

Installer les bibliothèques requises

Vous aurez besoin des bibliothèques suivantes:

• Pypdf2
• pdflumber
• spality
• NLTK

Utilisation de pip

 PIP Installer PYPDF2 PDFPLUMBER NLTK SPACY
Python -m Spacy Download EN_CORE_WEB_SM

Extraction du texte avec le PYDF2

 Importer le PYPDF2

DEF Text_From_pdf (PDF_FILE):
    avec open (pdf_file, 'rb') en tant que fichier:
        lecteur = pypdf2.pdfreader (fichier)
        text = ""
        pour page_num dans la gamme (Len (Reader.Pages)):
            page = reader.pages [page_num]
            text = page.extract_text () "\ n"
    RETOUR

Extraction du texte de PDFLUMBER

 importer pdfplumber

DEF Text_From_pdf (PDF_FILE):
    avec pdfplumber.open (pdf_file) comme pdf:
        text = ""
        Pour la page dans PDF.Pages:
            text = page.extract_text () "\ n"
    RETOUR
pdf_file = 'Soniasingla-datascience-bio.pdf'

# Extraire le texte du PDF
text = text_from_pdf (pdf_file)

# Tokenize le texte extrait
tokens = word_tokenize (texte)

Imprimer (jetons)

Normaliser les jetons pour la cohérence

Pour gérer le fichier PDF au lieu d'une image et garantir que les mots répétés ne re?oivent pas plusieurs scores, modifiez le code précédent. Nous allons extraire du texte du fichier PDF, le tokenize et comparer les jetons avec des mots spécifiques de différents champs. Le code calculera le score basé sur des mots appariés uniques.

 importer pdfplumber
Importer NLTK
de nltk.tokenize import word_tokenize


nltk.download ('punkt')


def extract_text_from_pdf (pdf_file):
    avec pdfplumber.open (pdf_file) comme pdf:
        text = ""
        Pour la page dans PDF.Pages:
            text = page.extract_text () "\ n"
    RETOUR


def tokenize_text (texte):
    tokens = word_tokenize (texte)
    Tokens de retour


def compare_tokens_and_score (tokens, spécifique_words, score_per_match = 10):
    # Utilisez un ensemble pour stocker des mots assortis uniques pour éviter les doublons
    unique_matched_words = set (word.lower () pour word en jetons si word.lower () dans spécifique_words)
    # Calculer le score total basé sur des matchs uniques
    total_score = len (unique_matched_words) * score_per_match
    Renvoie unique_matched_words, total_score

# Définir des ensembles de mots spécifiques pour différents champs
fields_keywords = {

    "Data_science_carrier": {'supervisé d'apprentissage automatique'
        
    # Ajouter plus de champs et de mots clés ici
}

# étape 4: Sélectionnez le champ et calculez le score en fonction des mots spécifiques pour ce champ
def process_pdf_for_field (pdf_file, champ):
    Si le champ n'est pas dans Fields_keywords:
        print (f "Field '{champ}' n'est pas défini.")
        retour
 
    text = extract_text_from_pdf (pdf_file)
      
    tokens = tokenize_text (texte)  
    
    spécifique_words = fields_keywords [champ]
    unique_matched_words, total_score = compare_tokens_and_score (jetons, spécifique_words)
      
    print (f "Field: {champ}")
    Imprimer ("Mots uniques correspondants:", unique_matched_words)
    print ("Score total:", total_score)


pdf_file = 'Soniasingla-datascience-bio.pdf'  
field = 'data_science'  
process_pdf_for_field (pdf_file, fie

Il produira un message d'erreur car le champ Data_science n'est pas défini.

Lorsque l'erreur est supprimée, cela fonctionne bien.

Pour gérer correctement la sensibilité des cas et garantir que des mots comme ?données? et ?données? sont considérés comme le même mot tout en le marquant une seule fois (même s'il appara?t plusieurs fois avec des cas différents), vous pouvez normaliser le cas des jetons et des mots spécifiques. Nous pouvons le faire en convertissant à la fois les jetons et les mots spécifiques en minuscules pendant la comparaison tout en préservant le bo?tier d'origine pour la sortie finale des mots correspondants.

Points clés sur l'extraction de texte

• Utilisation de PDFPlumber pour extraire le texte du fichier PDF.
• Utilisation de l'OCR pour convertir l'image en code machine.
• Utilisation de Pytesseract pour convertir les codes de wrap python en texte.

Conclusion

Nous avons exploré le processus crucial d'extraction et d'analyse des données de CVS, en nous concentrant sur les techniques d'automatisation à l'aide de Python. Nous avons appris à utiliser des bibliothèques essentielles comme NLTK, Spacy, Pytesseract et Pillow pour une extraction de texte efficace à partir de divers formats de fichiers, y compris les PDF et les images. En appliquant des méthodes pour la tokenisation, la normalisation du texte et la notation, nous avons acquis un aper?u de la manière d'aligner efficacement les qualifications des candidats avec les exigences de l'emploi. Cette approche systématique rationalise non seulement le processus d'embauche pour les employeurs, mais améliore également les chances des candidats d'obtenir des postes qui correspondent à leurs compétences.

Principaux à retenir

• Une extraction efficace de données à partir de CVS est essentielle pour l'automatisation du processus d'embauche.
• Des outils comme NLTK, Spacy, Pytesseract et Pillow sont essentiels pour l'extraction et le traitement de texte.
• Les méthodes de tokenisation appropriées aident à analyser avec précision le contenu des CV.
• La mise en ?uvre d'un mécanisme de notation basé sur les mots clés améliore le processus de correspondance entre les candidats et les exigences de l'emploi.
• La normalisation des jetons à travers des techniques comme la lemmatisation améliore la précision de l'analyse du texte.

Questions fréquemment posées

A. bibliothèques PYPDF2 ou PDFPLUMBER pour extraire du texte de PDF.

A. Si le CV est au format d'image (document ou photo numérisé), vous pouvez utiliser l'OCR (reconnaissance optique des caractères) pour extraire du texte de l'image. L'outil le plus utilisé pour cela dans Python est Pytesseract, qui est un emballage pour Tesseract OCR.

A. Améliorer la qualité des images avant de les alimenter en OCR peut augmenter considérablement la précision de l'extraction de texte. Des techniques comme la conversion de niveaux de gris, le seuil et la réduction du bruit à l'aide d'outils comme OpenCV peuvent aider.

Les médias présentés dans cet article ne sont pas détenus par l'analytique vidhya et sont utilisés à la discrétion de l'auteur.