Trích xuất văn bản CV DOCX bằng Python với python-docx

Vì sao DOCX là một bài toán khác?

Ở phần 3, chúng ta đã trích xuất văn bản từ PDF. Tuy nhiên, không ít ứng viên tải lên file Word, vì vậy để điền cùng trường cv_text, chúng ta cũng cần trích xuất văn bản từ CV DOCX bằng Python. Tin tốt là DOCX thân thiện hơn PDF rất nhiều.

DOCX không phải định dạng bố cục như PDF — bên dưới, nó là XML có cấu trúc. Điều đó có nghĩa văn bản đã được lưu dưới dạng nội dung thực, có thứ tự, thay vì các ký tự rời rạc nằm rải rác trên trang. Vì vậy, chúng ta không phải xử lý những vấn đề về khoảng cách hay thứ tự cột thường gặp ở PDF. Một thư viện chuyên dụng cho phép truy cập trực tiếp vào cấu trúc này.

Trích xuất văn bản bằng python-docx

Thư viện python-docx có thể đọc trực tiếp tài liệu Word. Trước tiên, hãy cài đặt thư viện:

pip install python-docx

Với một CV thông thường, việc trích xuất chỉ đơn giản là mở tài liệu rồi nối các đoạn văn lại:

from docx import Document


def extract_text_from_doc(file_path):
    doc = Document(file_path)
    return "\n".join(p.text for p in doc.paragraphs)

doc.paragraphs trả về mọi đoạn văn trong tài liệu theo đúng thứ tự, còn p.text là phần văn bản thuần túy. Nối chúng bằng ký tự xuống dòng sẽ tạo ra một chuỗi sạch, dễ đọc — chính là phần văn bản CV sẵn sàng cho AI mà chúng ta cần. Với phần lớn áp đảo các CV, trong đó nội dung được trình bày dưới dạng tiêu đề và đoạn văn thông thường, như vậy là đủ. Không cần xử lý XML phức tạp hay xây dựng quá mức cần thiết — đây là giải pháp trực tiếp cho bài toán thực tế.

Một lưu ý quan trọng cần biết

Có một đặc điểm của python-docx bạn cần lưu ý: doc.paragraphs chỉ trả về các đoạn văn — nó không bao gồm văn bản nằm bên trong bảng. Một số mẫu CV sắp xếp các phần như kỹ năng, thông tin liên hệ và kinh nghiệm trong các ô bảng. Với những file như vậy, đoạn mã trên sẽ âm thầm bỏ qua phần nội dung đó.

Với đa số CV, trường hợp này không xảy ra và phiên bản đơn giản là lựa chọn phù hợp để triển khai trước. Tuy vậy, đây cũng là một hướng bạn có thể tự mở rộng: python-docx cung cấp cả doc.tables, cho phép lấy văn bản từ các ô bảng rồi nối vào kết quả. Phiên bản phức tạp hơn nhưng đáng làm là duy trì đúng thứ tự đọc thực tế — duyệt qua XML nền tảng của tài liệu để các đoạn văn và bảng xuất hiện xen kẽ đúng như trên tài liệu, thay vì gom toàn bộ đoạn văn trước rồi mới đến toàn bộ bảng. Nếu muốn nâng cấp bộ phân tích, đây là một bài tập đáng để tự thực hiện.

Khi đã xử lý được cả PDF và DOCX, ứng dụng cuối cùng cũng có thể chuyển mọi CV được tải lên thành văn bản sạch. Nếu không muốn tự xây dựng toàn bộ và muốn bắt đầu ngay với mã nguồn hoàn chỉnh, sẵn sàng cho môi trường production, bạn có thể xem starter kit — còn nếu không, hãy đến phần 5, nơi AI bắt đầu tham gia: sử dụng OpenAI Agents SDK trong một ứng dụng Django thực tế.