最近接触了了一个简历管理的项目,需要将简历上传之后解析出里面的字段内容(如姓名、性别、教育经历、工作经历等),存入数据库中。简历的格式都是标准的格式,可参考猎聘下载下来的格式。
毫无疑问,第一个难点就是如何解析word的内容。
到npm去搜了一下相关的包,都不满足我的需求,直到发现了adm-zip这个包,这个包可以解压缩文件。其实word就是一个压缩包,把word解压后,有一个document.xml,里面就存放了word的内容,只需要解析这个xml文件就可以获取到数据了。
const admZip = require('adm-zip');
// 解压word文档
const zip = new admZip('2.docx');
zip.extractAllTo('./output/2', true);
// 提取内容
let contentXml = zip.readAsText("word/document.xml");
//console.log(contentXml);
// 正则匹配文字
let matchWT = contentXml.match(/(<w:t>.*?<\/w:t>)|(<w:t\s.[^>]*?>.*?<\/w:t>)/gi);
matchWT = filter(matchWT);
console.log(matchWT);
/**
* 去除空白行
* @param matchWT
*/
function filter(matchWT) {
let res = [];
matchWT.forEach(function(wtItem) {
//如果不是<w:t xml:space="preserve">格式
if (wtItem !== '<w:t xml:space="preserve"> </w:t>') { {
wtItem = wtItem.split('>');
wtItem = wtItem[1].split('<');
res.push(wtItem[0]);
}
});
return res;
}
这样,我们就可以将简历的内容放入数组中,通过遍历数组就能匹配到对应的字段了。
在解压缩word文档的时候发现这个只能解压缩docx格式的文档,不能解析doc格式的文档。