如何用Python(pandas)从PDF简历提取数据至CSV及OCR适配问题

问题核心 #

你尝试用正则从PDF简历提取数据生成CSV，但得到空文件，同时需要将PDF转换为适合OCR的格式。

空文件/空数据的常见原因 #

• PDF类型不匹配：如果是扫描生成的图片型PDF，pdfplumber无法提取文本，导致后续正则无匹配内容。
• 文本清理规则错误：原代码的clean_text会删除所有中文字符，若简历是中文格式，标签（如“姓名”“电话”）和内容会被清空。
• 正则依赖固定英文标签：多数中文简历用“姓名”“邮箱”而非“Name”“Email”，导致正则完全匹配不到内容。
• 目录路径或文件问题：目标目录无PDF文件，或路径权限不足，导致循环未执行，data列表为空。

分步解决方案 #

一、将PDF转换为适合OCR的格式（针对图片型PDF） #

如果你的PDF是扫描件，先转成图片格式再做OCR：

from pdf2image import convert_from_path
import os

# PDF转图片
def pdf_to_images(pdf_path, output_img_dir):
    if not os.path.exists(output_img_dir):
        os.makedirs(output_img_dir)
    # Windows需提前安装poppler并配置路径，Mac/Linux可直接通过包管理器安装
    images = convert_from_path(pdf_path, poppler_path=r"C:\poppler-24.02.0\Library\bin")
    for idx, img in enumerate(images):
        img_name = f"{os.path.splitext(os.path.basename(pdf_path))[0]}_page{idx+1}.jpg"
        img.save(os.path.join(output_img_dir, img_name), "JPEG")

# 对图片做OCR提取文本
import pytesseract
from PIL import Image

def ocr_from_image(image_path):
    # 需安装Tesseract并配置环境变量，添加中文语言包
    pytesseract.pytesseract.tesseract_cmd = r"C:\Program Files\Tesseract-OCR\tesseract.exe"
    text = pytesseract.image_to_string(image_path, lang="chi_sim+eng")
    return text

二、修复文本提取与正则匹配逻辑 #

1. 修正文本清理函数：保留中文字符，避免关键内容丢失

def clean_text(text):
    # 保留中文、英文、数字、常用符号及空格
    cleaned_text = re.sub(r"[^\u4e00-\u9fa5a-zA-Z0-9\s@.-]", "", text)
    cleaned_text = re.sub(r"\s+", " ", cleaned_text)
    return cleaned_text.strip()

2. 优化正则规则：支持中英文标签，增加灵活匹配

def extract_data_from_resume(pdf_path):
    text = ""
    # 先尝试直接提取PDF文本
    with pdfplumber.open(pdf_path) as pdf:
        for page in pdf.pages:
            page_text = page.extract_text()
            if page_text:
                text += page_text
    
    # 如果无文本提取结果，转图片做OCR
    if not text:
        temp_img_dir = "temp_imgs"
        pdf_to_images(pdf_path, temp_img_dir)
        for img_file in os.listdir(temp_img_dir):
            if img_file.endswith(".jpg"):
                text += ocr_from_image(os.path.join(temp_img_dir, img_file))
        # 清理临时文件
        for img_file in os.listdir(temp_img_dir):
            os.remove(os.path.join(temp_img_dir, img_file))
        os.rmdir(temp_img_dir)
    
    cleaned_text = clean_text(text)

    # 适配中英文标签的正则
    name_pattern = r"(?:姓名|Name):?\s*(.*?)(?:\s+|电话|Phone|邮箱|Email|$)"
    name_match = re.search(name_pattern, cleaned_text, re.IGNORECASE)
    name = name_match.group(1).strip() if name_match else ""

    email_pattern = r"(?:邮箱|Email):?\s*([^\s@]+@[^\s@]+\.[^\s@]+)"
    email_match = re.search(email_pattern, cleaned_text, re.IGNORECASE)
    email = email_match.group(1).strip() if email_match else ""

    phone_pattern = r"(?:电话|Phone):?\s*([\d\-\+\s]{8,20})"
    phone_match = re.search(phone_pattern, cleaned_text, re.IGNORECASE)
    phone = phone_match.group(1).strip() if phone_match else ""

    return name, email, phone

3. 增加路径校验：确保目录有效且存在PDF文件

def convert_pdf_to_csv(directory, output_csv_path):
    data = []
    # 校验目录合法性
    if not os.path.isdir(directory):
        print(f"错误：目录 {directory} 不存在")
        return
    # 遍历处理PDF文件
    for filename in os.listdir(directory):
        if filename.lower().endswith(".pdf"):
            pdf_path = os.path.join(directory, filename)
            print(f"正在处理：{filename}")
            name, email, phone = extract_data_from_resume(pdf_path)
            data.append({"Name": name, "Email": email, "Phone": phone})
    
    if not data:
        print("警告：未找到可处理的PDF文件，或所有文件未提取到有效数据")
    df = pd.DataFrame(data)
    # 用utf_8_sig避免中文乱码
    df.to_csv(output_csv_path, index=False, encoding="utf_8_sig")
    print(f"CSV文件已生成：{output_csv_path}")

注意事项 #

• 需提前安装依赖包：pip install pdfplumber pandas pdf2image pytesseract pillow
• poppler和Tesseract-OCR需手动安装并配置系统环境变量，或在代码中指定路径
• 正则规则可根据你的简历格式进一步调整，比如适配不同的电话格式、姓名排列方式

内容的提问来源于stack exchange，提问作者user16001720