Trích xuất văn bản CV PDF bằng Python với pdfplumber

Vì sao trích xuất văn bản PDF khó hơn bạn nghĩ

Để xây dựng phần phỏng vấn, AI trước hết cần CV của ứng viên ở dạng văn bản sạch — vì vậy phần này tập trung vào cách trích xuất văn bản từ CV PDF bằng Python. Ở phần 2, chúng ta đã tạo nơi để ứng dụng lưu một buổi phỏng vấn và CV của ứng viên. Giờ là lúc điền dữ liệu vào trường cv_text.

Vấn đề nằm ở chỗ PDF không phải là tệp văn bản. Đây là một định dạng bố cục, mô tả vị trí của từng ký tự trên trang thay vì cung cấp một chuỗi câu liền mạch. Vì vậy, văn bản trích xuất đôi khi có khoảng cách bất thường hoặc ngắt dòng sai, còn CV nhiều cột có thể bị đọc không đúng thứ tự. Tuy nhiên, với phần lớn CV dạng văn bản thông thường, một thư viện tốt vẫn xử lý đủ hiệu quả để đưa thẳng dữ liệu vào AI.

Trích xuất văn bản bằng pdfplumber

Trong số các thư viện PDF dành cho Python, pdfplumber tạo ra sự cân bằng tốt nhất khi xử lý CV: giữ bố cục và khoảng cách tốt hơn nhiều so với các trình trích xuất tối giản, nhưng không đòi hỏi quy trình thiết lập phức tạp như một hệ thống OCR hoàn chỉnh. Trước tiên, hãy cài đặt thư viện:

pip install pdfplumber

Phần trích xuất thực tế khá ngắn gọn. Mở tệp, duyệt qua từng trang rồi nối văn bản thành một chuỗi duy nhất:

import pdfplumber


def extract_text_from_pdf(file_path):
    with pdfplumber.open(file_path) as pdf:
        return "\n".join(page.extract_text() or "" for page in pdf.pages)

Chi tiết or "" là phần quan trọng nhất ở đây. extract_text() trả về None nếu không thể lấy văn bản từ một trang, và việc nối các giá trị None sẽ gây ra lỗi. Gán mặc định thành chuỗi rỗng giúp hàm hoạt động an toàn với các tệp thực tế có cấu trúc không đồng nhất — một lớp bảo vệ nhỏ nhưng giúp tránh ứng dụng bị dừng chỉ vì một trang bất thường trong CV vốn hoàn toàn hợp lệ.

Đó là quy trình cơ bản cho trường hợp thuận lợi: với một PDF dạng văn bản thông thường, bạn có thể thu được văn bản sạch, sẵn sàng cho AI chỉ bằng vài dòng mã. Chưa cần trừu tượng hóa quá sớm hay xây dựng một quy trình làm sạch phức tạp mà bạn chưa cần đến — hãy bắt đầu bằng giải pháp trực tiếp cho vấn đề hiện tại. Nhiệm vụ ở đây là lấy văn bản thô; còn việc xác minh văn bản đó thực sự là một CV sẽ được xử lý riêng ở lớp AI trong phần sau. Nếu muốn bỏ qua toàn bộ quá trình xây dựng và bắt đầu ngay với mã nguồn hoàn chỉnh, sẵn sàng cho môi trường production, bạn có thể xem starter kit — nếu không, hãy chuyển sang phần 4, nơi chúng ta xử lý CV DOCX, định dạng thường cất phần lớn nội dung bên trong các bảng.