利用Python和AI轻松创建简历分析器：教程与代码分享

在当今竞争激烈的就业市场中，一份精心制作的简历至关重要。如何确保你的简历在众多应聘者中脱颖而出？答案是利用人工智能 (AI) 技术来分析和优化你的简历。本文将向你展示如何使用 Python 编程语言和 Google 的 Gemini AI 模型构建一个强大的简历分析器。这款分析器能够根据职位描述，评估简历的匹配度，并提供改进建议，帮助你提升求职成功率。无论你是求职者还是招聘人员，本文都将为你带来极大的价值。

关键要点

使用 Python 编程语言构建 AI 驱动的简历分析器。

利用 Google 的 Gemini AI 模型进行简历分析和职位匹配。

通过上传简历和职位描述，获取简历匹配度评分和改进建议。

理解关键步骤：文本提取、提示工程和结果分析。

学习如何构建具有用户友好界面的 Flask Web 应用程序。

掌握使用 Markdown 格式化输出结果的方法。

根据实际需求自定义和扩展简历分析器功能。

AI 简历分析器：Python 实现指南

项目概述与功能演示

简历分析器旨在帮助用户评估其简历与特定职位描述的匹配程度，并提供改进建议。

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜

该工具通过上传简历（仅支持 PDF 格式）和粘贴职位描述来实现。分析结果将包括匹配度评分、缺失技能列表以及改进建议。

项目功能：

• 简历上传： 用户可以上传 PDF 格式的简历文件。
• 职位描述输入： 用户可以粘贴职位描述文本。
• AI 驱动分析： 系统利用 AI 技术分析简历内容。
• 匹配度评分： 生成简历与职位描述的匹配度评分（百分制）。
• 缺失技能识别： 识别简历中未提及但职位描述中要求的关键技能。
• 改进建议： 提供针对性的简历优化建议，例如量化成就、突出相关技能等。

功能演示：

立即学习“Python免费学习笔记（深入）”；

首先，展示了用户界面的基本操作。用户可以点击“选择文件”按钮上传简历，并在文本框中粘贴职位描述。然后，点击“分析简历”按钮，系统将开始分析。分析完成后，用户将看到匹配度评分、缺失技能列表和改进建议。

代码准备与环境配置

要构建一个AI简历分析器，首先需要准备合适的开发环境和必要的Python库。这将确保你能顺利运行代码，并与Gemini AI模型进行交互。

1. 开发环境：

• Python 3.6+：确保你的系统安装了 Python 3.6 或更高版本。你可以从 Python 官网下载并安装：https://www.python.org/downloads/
• pip： Python 的包管理工具，用于安装和管理项目依赖。
• 代码编辑器： 选择你喜欢的代码编辑器，例如 VS Code、PyCharm 等。

2. 安装必要的 Python 库：

打开命令行终端，使用 pip 安装以下库：

pip install google-generativeai pymupdf python-dotenv

• google-generativeai: 用于与 Google 的 Gemini AI 模型进行交互。

  

• pymupdf: 用于从 PDF 文件中提取文本。

• python-dotenv: 用于加载和管理环境变量。

3. Gemini API 密钥：

你需要一个 Google Cloud 项目并启用 Gemini API 才能获取 API 密钥。访问 Google AI Studio 网站：https://aistudio.google.com/，创建一个新的项目并获取 API 密钥。

4. 环境变量设置：

为了安全地存储 API 密钥，建议将其设置为环境变量。创建一个名为 .env 的文件，并在其中添加以下内容：

GEMINI_API_KEY=你的API密钥

然后，使用 python-dotenv 库加载环境变量。

从 PDF 简历中提取文本

在分析简历之前，我们需要从 PDF 文件中提取文本内容。这可以通过 pymupdf 库来实现。

以下代码展示了如何定义一个函数，用于提取 PDF 文件中的文本：

import fitz  https://www.php.cn/link/93ac0c50dd620dc7b88e5fe05c70e15b pymupdf

def extract_text_from_resume(pdf_path):
    """从 PDF 文件中提取文本。"""
    doc = fitz.open(pdf_path)
    text = ""
    for page in doc:
        text += page.get_text()
    return text

代码解释：

• import fitz：导入 pymupdf 库，并使用别名 fitz。
• extract_text_from_resume(pdf_path)：定义一个名为 extract_text_from_resume 的函数，接受 PDF 文件路径作为参数。
• doc = fitz.open(pdf_path)：使用 fitz.open() 函数打开 PDF 文件。
• text = ""：创建一个空字符串，用于存储提取的文本。
• for page in doc：遍历 PDF 文件中的每一页。
• text += page.get_text()：使用 page.get_text() 方法提取当前页面的文本，并将其添加到 text 字符串中。
• return text：返回提取的文本。

使用示例：

pdf_path = "kumareshan-Resume.pdf"  https://www.php.cn/link/93ac0c50dd620dc7b88e5fe05c70e15b 你的简历 PDF 文件路径
resume_text = extract_text_from_resume(pdf_path)
print(resume_text)

这段代码将从 kumareshan-resume.pdf 文件中提取文本，并将其打印到控制台。

提示工程：构建 AI 交互指令

提示工程是与 AI 模型进行有效沟通的关键。一个精心设计的提示 (Prompt) 能够引导 AI 模型生成高质量、符合要求的输出。

Content at Scale

SEO长内容自动化创作平台

154

查看详情

以下代码展示了一个用于简历分析的提示：

prompt = f"""
你是一位专业的简历分析师。
请分析以下简历，并根据提供的职位描述给出建议：

简历：
{resume_text}

职位描述：
{job_description}

请执行以下任务：
1.  分析简历与职位描述的匹配度。
2.  给出百分制匹配度评分。
3.  突出显示缺失的技能或经验。
4.  提供改进建议。

请以结构化的格式返回结果：
匹配度评分：XX/100
缺失技能：...
建议：...
总结：...
"""

代码解释：

• 该提示首先定义了 AI 模型的角色：专业的简历分析师。
• 然后，它指示 AI 模型分析简历，并根据提供的职位描述给出建议。
• 提示中包含了简历内容 {resume_text} 和职位描述 {job_description} 的占位符，将在后续步骤中被实际内容替换。
• 提示明确了 AI 模型需要执行的任务：匹配度分析、缺失技能识别和改进建议。
• 最后，提示要求 AI 模型以结构化的格式返回结果，方便用户阅读和理解。

使用示例：

在后续步骤中，你需要将提取的简历文本和职位描述文本分别赋值给 {resume_text} 和 {job_description} 占位符，然后将整个提示发送给 AI 模型。

配置Gemini Pro模型

为了使用 Gemini Pro 模型，需要进行一些配置。

以下代码展示了如何配置 API 密钥和模型参数：

import os
import google.generativeai as genai
from dotenv import load_dotenv

load_dotenv()

genai.configure(api_key=os.getenv('GEMINI_API_KEY'))

model = genai.GenerativeModel('gemini-pro')

代码解释：

• import os：导入 os 库，用于访问环境变量。
• import google.generativeai as genai：导入 google-generativeai 库，并使用别名 genai。
• from dotenv import load_dotenv：从 python-dotenv 库中导入 load_dotenv 函数。
• load_dotenv()：加载 .env 文件中的环境变量。
• genai.configure(api_key=os.getenv('GEMINI_API_KEY'))：配置 Gemini API 密钥。os.getenv('GEMINI_API_KEY') 用于从环境变量中获取 API 密钥。
• model = genai.GenerativeModel('gemini-pro')：创建一个 Gemini Pro 模型实例。gemini-pro 是 Gemini Pro 模型的名称。

模型参数配置：

Gemini Pro 模型提供了一些参数，可以用于控制生成文本的质量和多样性。以下代码展示了如何配置模型参数：

configuration = {
    "temperature": 1,
    "top_p": 0.95,
    "top_k": 40,
    "max_output_tokens": 8192
}

model = genai.GenerativeModel(model_name='gemini-pro', generation_config=configuration)

参数解释：

• temperature：控制生成文本的随机性。值越高，文本越随机。范围：0.0 - 1.0。
• top_p：控制生成文本的多样性。值越高，文本越多样。范围：0.0 - 1.0。
• top_k：控制生成文本的候选词数量。值越高，候选词越多。范围：1 - 100。
• max_output_tokens：限制生成文本的最大 token 数量。范围：1 - 8192。

你可以根据实际需求调整这些参数，以获得最佳的分析效果。

使用 Gemini AI 分析简历

配置好 Gemini Pro 模型后，就可以使用它来分析简历了。

以下代码展示了如何将简历文本和职位描述文本传递给模型，并获取分析结果：

def analyse_resume_gemini(resume_content, job_description):
    """使用 Gemini AI 分析简历。"""
    prompt = f"""
    你是一位专业的简历分析师。
    请分析以下简历，并根据提供的职位描述给出建议：

    简历：
    {resume_content}

    职位描述：
    {job_description}

    请执行以下任务：
    1.  分析简历与职位描述的匹配度。
    2.  给出百分制匹配度评分。
    3.  突出显示缺失的技能或经验。
    4.  提供改进建议。

    请以结构化的格式返回结果：
    匹配度评分：XX/100
    缺失技能：...
    建议：...
    总结：...
    """
    response = model.generate_content(prompt)
    return response.text

https://www.php.cn/link/93ac0c50dd620dc7b88e5fe05c70e15b 获取简历文本和职位描述
resume_text = extract_text_from_resume(pdf_path)
job_description = "We are hiring a front end developer"

https://www.php.cn/link/93ac0c50dd620dc7b88e5fe05c70e15b 分析简历
result = analyse_resume_gemini(resume_text, job_description)

https://www.php.cn/link/93ac0c50dd620dc7b88e5fe05c70e15b 打印分析结果
print(result)

代码解释：

• def analyse_resume_gemini(resume_content, job_description)：定义一个名为 analyse_resume_gemini 的函数，接受简历文本和职位描述文本作为参数。
• prompt = f"""..."""：创建包含简历文本和职位描述文本的提示。
• response = model.generate_content(prompt)：使用 Gemini Pro 模型生成内容。prompt 是传递给模型的提示。
• return response.text：返回生成的文本结果。

运行这段代码，你将会看到 Gemini Pro 模型生成的简历分析结果，包括匹配度评分、缺失技能和改进建议。

构建 Flask Web 应用程序界面

为了方便用户使用简历分析器，我们可以构建一个简单的 Flask Web 应用程序界面。

以下代码展示了如何创建一个基本的 Flask 应用程序：

from flask import Flask, request, render_template
from analyse_pdf import analyse_resume_gemini, extract_text_from_resume

app = Flask(__name__)
app.config['UPLOAD_FOLDER'] = 'uploads'
os.makedirs(app.config['UPLOAD_FOLDER'], exist_ok=True)

@app.route('/', methods=['GET', 'POST'])
def index():
    if request.method == 'POST':
        resume_file = request.files['resume']
        job_description = request.form['job_description']

        pdf_path = os.path.join(app.config['UPLOAD_FOLDER'], resume_file.filename)
        resume_file.save(pdf_path)

        resume_content = extract_text_from_resume(pdf_path)
        result = analyse_resume_gemini(resume_content, job_description)

        return render_template('index.html', result=result)

    return render_template('index.html', result=None)

代码解释：

• from flask import Flask, request, render_template：从 flask 库中导入必要的模块。
• app = Flask(__name__)：创建一个 Flask 应用程序实例。
• app.config['UPLOAD_FOLDER'] = 'uploads'：设置上传文件夹。
• os.makedirs(app.config['UPLOAD_FOLDER'], exist_ok=True)：创建上传文件夹（如果不存在）。
• @app.route('/', methods=['GET', 'POST'])：定义路由，处理 GET 和 POST 请求。
• if request.method == 'POST'：判断请求方法是否为 POST。
• resume_file = request.files['resume']：获取上传的简历文件。
• job_description = request.form['job_description']：获取职位描述文本。
• pdf_path = os.path.join(app.config['UPLOAD_FOLDER'], resume_file.filename)：构建 PDF 文件的保存路径。
• resume_file.save(pdf_path)：保存 PDF 文件。
• resume_content = extract_text_from_resume(pdf_path)：提取简历文本。
• result = analyse_resume_gemini(resume_content, job_description)：分析简历。
• return render_template('index.html', result=result)：渲染 index.html 模板，并将分析结果传递给模板。
• return render_template('index.html', result=None)：如果请求方法为 GET，则渲染 index.html 模板，不传递分析结果。

创建 index.html 模板：

在 templates 文件夹中创建一个名为 index.html 的文件，并添加以下内容：

<!DOCTYPE html>
<html>
<head>
    <title>简历分析器</title>
</head>
<body>
    <h1>简历分析器</h1>
    <form method="post" enctype="multipart/form-data">
        <input type="file" name="resume" accept=".pdf" required><br><br>
        <textarea name="job_description" rows="5" cols="50" required></textarea><br><br>
        <button type="submit">分析简历</button>
    </form>
    {% if result %}
    <h2>分析结果：</h2>
    <pre class="brush:php;toolbar:false;">{{ result }}

以上就是利用Python和AI轻松创建简历分析器：教程与代码分享的详细内容，更多请关注php中文网其它相关文章！