Сравните одну обезличенную страницу резюме с текстом, который получает обработчик. Если текст пустой, выясните, является ли страница сканом. Если текст есть, но опыт и контакты смешаны, исследуйте порядок блоков и извлечение полей. Эти случаи требуют разных исправлений.

Внешний вид PDF не раскрывает его устройство

Документация pypdf 6.21.4 поясняет: страница может содержать только изображение, тогда извлечённый текст окажется пустым или минимальным и понадобится OCR. Источник проверен 28 октября 2026 года. Само успешное открытие PDF не подтверждает существование пригодного текстового слоя.

НаблюдениеСледующий этап
Текст отсутствуетОпределить скан и применимость OCR
Буквы есть, порядок нарушенРазобрать колонки и блоки
Контакты обрезаныПроверить границы области и все страницы
Текст верный, поля неверныИсследовать правила извлечения
Профиль пустой при статусе successИсправить критерий результата
Условная цепочка:
файл -> страницы -> текст или OCR
текст -> блоки с порядком и координатами
блоки -> поля с происхождением
поля -> проверка -> профиль для просмотра

Пустое извлечение не означает успешное заполнение профиля.

PDF может быть смешанным: первая страница текстовая, вторая сканированная. Выбор пути один раз на весь файл пропустит часть содержания. Сохраняйте результат и ошибки по страницам, чтобы оператор видел, какая часть обработана, а какая требует отдельного действия.

Полю нужен источник, а не только значение

Двухколоночная верстка может перемешать даты, работодателей и названия должностей. Текстовые строки не всегда идут в привычном человеку порядке. Сравнивайте извлечение с оригиналом, выбирайте поддержанный режим layout либо отдельную обработку блоков, не выдавая восстановленный порядок за гарантированный для любого PDF.

Для контактов, образования и опыта сохраняйте ссылку на страницу и фрагмент происхождения. Отсутствующее поле отличается от поля, которое не удалось распознать. Не заполняйте пробелы догадкой из соседней строки или данных другого резюме. Сомнительные результаты должны оставаться доступными для проверки человеком.

Выполнение OCR может добавить ошибки в цифры, почту и даты. Нормализация формата не доказывает правильность значения. Сверяйте критичные контакты с исходным фрагментом и оставляйте отдельный признак подтверждения; корректная регулярная форма email не гарантирует, что это адрес кандидата.

Ограничьте время, память и объём обработки до запуска на потоке файлов. pypdf отмечает, что разбор потока содержимого страницы может требовать значительных ресурсов. Маленький размер сжатого PDF не равен небольшой стоимости обработки. Ошибка одного файла должна иметь отдельный исход и не останавливать всю очередь.

Приёмка использует разные типы резюме

  1. Подготовить разрешённые синтетические PDF: текст, скан и смешанный файл.
  2. Добавить два столбца, несколько страниц и длинные блоки опыта.
  3. Сравнить извлечённый текст с каждой страницей.
  4. Проверить происхождение заполненных и неопределённых полей.
  5. Испытать повреждённый файл и повтор обработки без дубля профиля.

Повторный импорт должен связываться с известным файлом и процессом, а не безусловно создавать нового человека. Вместе с тем одинаковое имя не является доказательством дубля кандидата. Идентификацию карточки и распознавание содержимого рассматривайте как разные этапы.

Не переносите реальные резюме во внешний сервис распознавания без предусмотренного доступа и согласованного маршрута обработки. Для диагностики обычно хватает синтетического документа, воспроизводящего верстку. Извлечение данных также не должно автоматически превращаться в решение о пригодности кандидата.

Для заявки подготовьте тип страниц, версию парсера, текст проблемного фрагмента без персональных сведений и ожидаемые поля. Исправление подтверждается полным контролируемым разбором и понятными частичными ошибками. Профиль со статусом «готово» при пустых данных таким результатом не считается.

Проверенные источники