简历信息提取算法-学习笔记（三）

这篇是简历信息提取（二）：HR救星！用UIE Taskflow快速完成简历信息批量抽取的学习笔记

目录

第一篇文章简历信息提取（一）介绍的是，怎么样把简历图片中的文本【全文】提取出来。

这篇文章是在第一篇的基础之上，有了简历文本之后，怎么样提取关键信息。比如抽取，姓名、年龄、学校这样的关键信息。

1 一键实体抽取

这里主要介绍，有了简历文本之后，如何使用paddlenlp里面的uie功能，实现关键信息抽取。例如有一段简历文本：“姓名：小李，性别：男，出生日期：2000年04月，民族：汉族，联系电话：13602173xxx”

想要抽取出的关键信息是：

• 出生日期：2000年04月
• 姓名：小李
• 电话：13602173xxx

这里介绍了，使用PaddleNLP中的UIE相关工具包可以实现此功能。所以要安装相关环境。

1.1 安装依赖库——相关环境安装

需要安装PaddleNLP

1. 安装 PaddleNLP 可以参考PaddleNLP官网的安装流程。 流程和paddleocr的安装类似，也是首先要安装paddlepaddle。

先安装 paddlepaddle，我安装的是paddlepaddle 2.3.2

注意，这里有一个坑，我的电脑系统是mac os 10.15.7，安装最新版本 paddlepaddle报错：

• Error: Can not import paddle core while this file exists: /Users/username/env/lib/python3.8/site-packages/paddle/fluid/libpaddle.so
  似乎最新版本的 paddlepaddle (2.5.1) 是为 MacOS 13 构建的，而我有 MacOS 10.15，因此它不起作用。我安装了 paddlepaddle (2.3.2) 并且能够正确使用 paddleOCR 。

# 安装语句
# 新建conda 
 conda create -n paddle_env python=3.8
 conda activate paddle_env
 conda install paddlepaddle==2.3.2 --channel https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/Paddle/
# 进入python检查是否安装成功
 python3
 import paddle
 paddle.utils.run_check()
# Success!

再安装 paddlenlp，我安装的是paddlenlp==2.4.2

# 安装paddlenlp
 pip install  paddlenlp==2.4.2
# 安装过程中 提示paddle-bfloat 缺少一个版本，进行安装
pip install paddle-bfloat==0.1.7
# 重新安装paddlenlp
 paddlenlp  pip install  paddlenlp==2.4.2

1.2 Taskflow API文本抽取————从文本中抽取关键词

官方使用说明文档见 PaddleNLP一键预测功能：Taskflow API

安装了paddlenlp之后，就可以调用相关函数实现关键词抽取功能，代码在文章中有，我就不再粘贴了。
目标：输入一段文本，返回关键信息。
调用的函数：paddlenlp ——Taskflow ，实际上是用的是paddlenlp 的UIE功能。

我这里对两句话做一个实践：

1. 可以看到下表中的第一条，就是文章中给的例子，是可以解析出相关关键词的。
2. 但是这里有一个问题点。就是很多简历中是不会有，姓名、性别、出生日期这几个说明文字的。对于这样的文本就很难解析出来，见表格中的第二行。

序号	简历文本	抽取结果-关键信息
1	“姓名：小李，性别：男，出生日期：2000年04月，民族：汉族，联系电话：13602173xxx”
2	小李男2000年04月汉族13602173xxx

在1.2节的后半部分，是一个实践，首先从word格式（表格）的简历中提取文本信息，然后进行实体抽取：

1. 从word格式的简历中提取文本信息：表格类型的word格式的提取，使用了python-docx方法，参考 简历信息提取（一）：PDFPlumber和PP-Structure 中介绍的方法。
2. 输入文本，返回实体抽取结果。

1.3 Taskflow API文档抽取

1.2节 介绍的是 实际上是用的是paddlenlp 的UIE功能。
1.3节 介绍了paddlenlp 的 UIE-X， 是UIE的升级版本，可以支持图片类型输入。 详细参考 UIE升级点解读：新增文档信息抽取能力，基于Prompt的小样本能力厉害了！OCR、版面分析、信息抽取一应俱全
注意，paddlenlp 的 UIE-X 需要PaddleNLP v2.5 以上

遗留问题：

1. ppocr和ppnlp关系
2. ppocr和ppstructure关系
3. ppstructure 的几大能力：版面分析、图像方向分类、表格识别，都是干嘛的