当前位置：首页 > news >正文

基于Flask和AI的智能简历分析系统开发全流程

news 2025/8/26 9:25:46

先看效果！！

1. 项目简介

随着企业招聘需求的不断增加，HR每天需要处理大量简历，如何高效筛选匹配度高的候选人成为一大挑战。本文介绍一个基于Flask框架和AI技术的智能简历分析系统，能够自动评估简历与职位要求的匹配度，大幅提高招聘效率。

2. 项目功能

2.1 核心功能

简历批量上传：支持PDF、DOCX、TXT格式及ZIP压缩包
职位要求设置：可自定义职位描述和要求
智能匹配分析：利用AI模型评估简历匹配度
可视化结果展示：图表和排名展示候选人匹配情况
报告导出：支持导出详细分析报告和Excel排名表

2.2 技术亮点

多线程并发处理大量简历
智能重试机制保证分析可靠性
响应式前端界面适配多种设备
完善的错误处理和日志记录

3. 技术架构

3.1 前端技术

<!-- 主要前端技术 -->
<link href="https://cdn.jsdelivr.net/npm/bootstrap@5.2.3/dist/css/bootstrap.min.css" rel="stylesheet">
<link href="https://cdnjs.cloudflare.com/ajax/libs/font-awesome/6.4.0/css/all.min.css" rel="stylesheet">
<link href="https://cdnjs.cloudflare.com/ajax/libs/animate.css/4.1.1/animate.min.css">
<script src="https://unpkg.com/dropzone@5/dist/min/dropzone.min.js"></script>
<script src="https://cdn.jsdelivr.net/npm/chart.js"></script>

Bootstrap 5：构建响应式界面
Font Awesome：图标库
Animate.css：动画效果
Dropzone.js：文件上传组件
Chart.js：数据可视化

3.2 后端技术

# 主要后端技术栈
from flask import Flask, render_template, request, jsonify, send_file
from flask_dropzone import Dropzone
import pdfplumber
from docx import Document
from concurrent.futures import ThreadPoolExecutor
import requests

Flask：轻量级Web框架
pdfplumber：PDF解析库
python-docx：Word文档处理
ThreadPoolExecutor：多线程处理
Requests：HTTP请求库

4. 核心代码解析

4.1 简历解析模块

def parse_resume(file_path):"""解析多种格式的简历文件"""try:if file_path.endswith('.pdf'):with pdfplumber.open(file_path) as pdf:text = "\n".join([page.extract_text() or "" for page in pdf.pages])elif file_path.endswith('.docx'):doc = Document(file_path)text = "\n".join([para.text for para in doc.paragraphs])elif file_path.endswith('.txt'):encodings = ['utf-8', 'gbk', 'gb2312', 'iso-8859-1']for encoding in encodings:try:with open(file_path, 'r', encoding=encoding) as f:text = f.read()breakexcept UnicodeDecodeError:continue# 文本清洗处理text = re.sub(r'\s+', ' ', text)return text.strip()except Exception as e:logger.error(f"解析失败 [{os.path.basename(file_path)}]: {str(e)}")return None

4.2 AI分析模块

def call_gpt_api(prompt, attempt=1):"""调用AI分析API，带重试机制"""headers = {"Authorization": f"Bearer {API_KEY}","Content-Type": "application/json"}data = {"model": "deepseek-v3-250324","messages": [{"role": "system", "content": "简历分析专家，专注评估候选人与职位要求的匹配度"},{"role": "user", "content": prompt}],"temperature": 0.2}try:response = requests.post(API_URL, headers=headers, json=data, timeout=REQUEST_TIMEOUT)response.raise_for_status()return {"status": "success","result": response.json()['choices'][0]['message']['content'],"attempt": attempt}except Exception as e:logger.error(f"API请求错误 (尝试 {attempt}/{MAX_RETRIES}): {str(e)}")return {"status": "retry", "error": str(e), "attempt": attempt}

4.3 多线程处理

def process_resumes(resume_files, position_requirements):"""多线程处理简历分析"""results = []with ThreadPoolExecutor(max_workers=MAX_WORKERS) as executor:futures = {executor.submit(analyze_resume, path, position_requirements): path for path in resume_files}for future in as_completed(futures):path = futures[future]try:result = future.result()with FILE_LOCK:  # 线程锁保证数据安全results.append(result)except Exception as e:logger.error(f"分析过程出错: {str(e)}")return results

5. 前端交互设计

系统采用现代化UI设计，关键界面包括：

<div class="upload-area"><div id="upload-button" class="upload-btn"><i class="fas fa-plus"></i></div><p class="upload-text">点击<b>+</b>按钮或将文件拖拽到此处上传</p>
</div>

<div class="chart-container"><canvas id="matchChart"></canvas>
</div><!-- 排名卡片 -->
<div class="row g-4 mb-5">{% for resume in top_resumes %}<div class="col-md-4 col-lg-3"><div class="position-relative"><div class="rank-badge top-3-badge rank-{{ loop.index }}">{{ loop.index }}</div><div class="card result-card h-100"><!-- 卡片内容 --></div></div></div>{% endfor %}
</div>

6. 部署与配置

系统使用Flask内置的配置管理系统：

class Config:SECRET_KEY = os.environ.get('SECRET_KEY') DEBUG = FalseUPLOADED_PATH = os.path.join(os.path.dirname(__file__), 'uploads')MAX_CONTENT_LENGTH = 50 * 1024 * 1024  # 50MB# API配置API_URL = "ht"API_KEY = os.environ.get('API_KEY')