Polski parser CV w modelu SaaS - prośba o opinie

Polski parser CV w modelu SaaS - prośba o opinie
0

Witam,
Stworzyliśmy projekt parsera CV który potrafi odczytać polskie znaki z dokumentów.
Narzędzie zostało stworzone pierwotnie na nasze potrzeby, obecnie zaczęliśmy je oferować w modelu SaaS.
Główne cechy ekstraktora danych:
pozyskiwanie danych kontaktowych z CV, określenie danych gps, przedstawienie dokumentu w wersji czystego txt.
Obsługiwane najpopularniejsze formaty plików:
doc, docx, odt, pdf, jpg.
Będę wdzięczny za waszą opinię.
Narzędzie znajduje się pod adresem:
https://pozyskajdane.pl
Możliwość przetestowania w wersji demo
https://pozyskajdane.pl/demo

fourfour
  • Rejestracja:prawie 11 lat
  • Ostatnio:prawie 9 lat
  • Postów:627
0

Z ciekawości wrzuciłem dwa dokumenty (jpg), w obu przypadkach otrzymałem komunikat "Rozpoznanie pliku się nie udało". Ciao. :)

0
fourfour napisał(a):

Z ciekawości wrzuciłem dwa dokumenty (jpg), w obu przypadkach otrzymałem komunikat "Rozpoznanie pliku się nie udało". Ciao. :)

Proponuję wrzucić pdf lub odt z danymi, jeśli w jpg nie było danych, albo pliki były małej rozdzielczości, to prawdopodobnie nie wyekstraktowano tekstu z dokumentu.

szalonyfacet
  • Rejestracja:ponad 12 lat
  • Ostatnio:9 miesięcy
  • Lokalizacja:Dąbrowa Górnicza
0

ja mam takie same wyniki jak kolega wyzej. plik: http://www.thebigidea.co.nz/files/CV.jpg

duuuuza rozdzielczosc a i tak: Rozpoznanie pliku się nie udało

dla pliku pdf przetworzylo, ale mam tylko to:
5fda65d82f.png

fourfour
  • Rejestracja:prawie 11 lat
  • Ostatnio:prawie 9 lat
  • Postów:627
0
HRowiec napisał(a):
fourfour napisał(a):

Z ciekawości wrzuciłem dwa dokumenty (jpg), w obu przypadkach otrzymałem komunikat "Rozpoznanie pliku się nie udało". Ciao. :)

Proponuję wrzucić pdf lub odt z danymi, jeśli w jpg nie było danych, albo pliki były małej rozdzielczości, to prawdopodobnie nie wyekstraktowano tekstu z dokumentu.

Jeśli mam wrzucać odt, albo pdf, to równie dobrze mogę wrzucać czysty tekst :) Choć zaraz, zaraz.. czy jeśli wrzucę odt czy pdf zrobione w taki sposób, że wkleję tam ten plik jpg to będzie lepiej? :)

0
szalonyfacet napisał(a):

ja mam takie same wyniki jak kolega wyzej. plik: http://www.thebigidea.co.nz/files/CV.jpg

duuuuza rozdzielczosc a i tak: Rozpoznanie pliku się nie udało

dla pliku pdf przetworzylo, ale mam tylko to:
5fda65d82f.png

Zapomniałem dodać, że pozyskajdane.pl rozpoznaje dane pod warunkiem że są z Polski:)

Shalom
  • Rejestracja:około 21 lat
  • Ostatnio:prawie 3 lata
  • Lokalizacja:Space: the final frontier
  • Postów:26433
0

Ale co ten soft niby robi? wyciąganie danych z pdf czy odt jest dostępne w każdym sensownym języku programowania (java, python, zgaduje ze .net też coś ma). Ocr to też nic nowego. Więc jaka jest wartość dodana? Ze macie regexpa do wyciągania adresu i ciągnięcie pozycje gps z google maps? Przecież ten wasz soft to jest pół godziny roboty dla średniego studenta...


"Nie brookliński most, ale przemienić w jasny, nowy dzień najsmutniejszą noc - to jest dopiero coś!"
0
Shalom napisał(a):

Ale co ten soft niby robi? wyciąganie danych z pdf czy odt jest dostępne w każdym sensownym języku programowania (java, python, zgaduje ze .net też coś ma). Ocr to też nic nowego. Więc jaka jest wartość dodana? Ze macie regexpa do wyciągania adresu i ciągnięcie pozycje gps z google maps? Przecież ten wasz soft to jest pół godziny roboty dla średniego studenta...

Serdecznie dziękuję za komentarz krytyczny.
Co do ekstrakcji czystego tekstu z dokumentów, wyciągania adresu email i nr telefonu - zgadzam się.
Zostają pewne luki w reszcie danych: ekstrakcja danych typu imię, nazwisko, adres, miasto itp. Prosty regex to trochę za mało...
Zdefiniowanie co jest imieniem/nazwiskiem, miastem, ulicą ( w szczególności w CV gdzie danych znaczeniowo podobnych może być całe mnóstwo) w języku polskim nie jest takie łatwe na jakie wygląda.
Np. jak byśmy mogli regex'em zdefiniować co jest nazwiskiem - szczególnie dwu członowym (słynne Cyps albo Zyps). Nie twierdze że https://pozyskajdane.pl działa idealnie - nie wiem nawet czy w/w konstrukcję nazwiska jest w stanie ( na tym etapie rozwoju) zdefiniować prawidłowo, twierdzę, że testowałem rozwiązania dostępne na świecie i żadne nie miało skuteczności podobnej do naszego w języku polskim.

Pozdrawiam
HRowiec

fourfour
"żadne nie miało skuteczności podobnej do naszego w języku polskim." - wysłałem dwa pliki, dwa odrzucone, dla mnie to skuteczność 0. Tłumaczenie typu "wyślij w innym formacie" etc. mnie nie przekonuje - będę miał 500 dokumentów i po kolei będę prosił tych, którzy mi je przysłali, by przysłali jeszcze raz w innych (różnych, bo każdy może być nieodpowiedni) formatach, bo mi automat nie odczytuje danych? O nie :)
fasadin
no bo zadne nie ma skutecznosci podobnej. To bylby raczej niedobrze jak by inne podobe mialyby skutecznosc oscylujace przy 0
fourfour
O to mi chodzilo, może za bardzo zawoalowałem tę myśl :)
0

Trochę trudno się dyskutuje, jak są po scalane posty

"żadne nie miało skuteczności podobnej do naszego w języku polskim." - wysłałem dwa pliki, dwa odrzucone, dla mnie to skuteczność 0. Tłumaczenie typu "wyślij w innym formacie" etc. mnie nie przekonuje - będę miał 500 dokumentów i po kolei będę prosił tych, którzy mi je przysłali, by przysłali jeszcze raz w innych (różnych, bo każdy może być nieodpowiedni) formatach, bo mi automat nie odczytuje danych? O nie :) - fourfour dzisiaj, 08:36

Proszę o informacje jakie formaty plików zostały odrzucone, zgodnie z informacją na stronie, przetwarzane są formaty: DOC, DOCX, PDF, ODT, RTF, JPG - czyli najpopularniejsze w Polsce.

My prowadziliśmy testy na kilkudziesięciu tysiącach i współczynnik prawidłowych przetworzeń jest na poziomie ponad 90%.
Zachęcam do próby na większej ilości plików.
Jeszcze raz dziękuję za wszystkie komentarze.
Pozdrawiam
HRowiec

somekind
To nie są scalane posty, lecz komentarze. Zarejestrowani użytkownicy mogą z takiej funkcji korzystać.
0

Ewidentnie jest jakiś problem z plikami jpg. Nie działa to prawidłowo, gubi znaki albo je miesza dla rozdzielczości 96dpi.

0

Wdrożyliśmy nową wersję naszego narzędzia do ekstrakcji danych z CV.
Obecnie można pozyskiwać dane z maili (w formacie eml) wraz z danymi z załączników ograniczenie na https://pozyskajdane.pl/demo do 4 MB.
Zapraszam do testów i dziękuję za opinię.

0
eczka napisał(a):

Ewidentnie jest jakiś problem z plikami jpg. Nie działa to prawidłowo, gubi znaki albo je miesza dla rozdzielczości 96dpi.

Pliki jpg (skany dokumentów)
są problematyczne, pracujemy nad poprawieniem naszego ocr'a.
Serdecznie dziękuję za testy i opinię.

0

Wyszła nowa wersja naszego parsera CV wspierającego działy HR, teraz można wrzucać całe maile, a wyniki powinny być lepsze.

Kliknij, aby dodać treść...

Pomoc 1.18.8

Typografia

Edytor obsługuje składnie Markdown, w której pojedynczy akcent *kursywa* oraz _kursywa_ to pochylenie. Z kolei podwójny akcent **pogrubienie** oraz __pogrubienie__ to pogrubienie. Dodanie znaczników ~~strike~~ to przekreślenie.

Możesz dodać formatowanie komendami , , oraz .

Ponieważ dekoracja podkreślenia jest przeznaczona na linki, markdown nie zawiera specjalnej składni dla podkreślenia. Dlatego by dodać podkreślenie, użyj <u>underline</u>.

Komendy formatujące reagują na skróty klawiszowe: Ctrl+B, Ctrl+I, Ctrl+U oraz Ctrl+S.

Linki

By dodać link w edytorze użyj komendy lub użyj składni [title](link). URL umieszczony w linku lub nawet URL umieszczony bezpośrednio w tekście będzie aktywny i klikalny.

Jeżeli chcesz, możesz samodzielnie dodać link: <a href="link">title</a>.

Wewnętrzne odnośniki

Możesz umieścić odnośnik do wewnętrznej podstrony, używając następującej składni: [[Delphi/Kompendium]] lub [[Delphi/Kompendium|kliknij, aby przejść do kompendium]]. Odnośniki mogą prowadzić do Forum 4programmers.net lub np. do Kompendium.

Wspomnienia użytkowników

By wspomnieć użytkownika forum, wpisz w formularzu znak @. Zobaczysz okienko samouzupełniające nazwy użytkowników. Samouzupełnienie dobierze odpowiedni format wspomnienia, zależnie od tego czy w nazwie użytkownika znajduje się spacja.

Znaczniki HTML

Dozwolone jest używanie niektórych znaczników HTML: <a>, <b>, <i>, <kbd>, <del>, <strong>, <dfn>, <pre>, <blockquote>, <hr/>, <sub>, <sup> oraz <img/>.

Skróty klawiszowe

Dodaj kombinację klawiszy komendą notacji klawiszy lub skrótem klawiszowym Alt+K.

Reprezentuj kombinacje klawiszowe używając taga <kbd>. Oddziel od siebie klawisze znakiem plus, np <kbd>Alt+Tab</kbd>.

Indeks górny oraz dolny

Przykład: wpisując H<sub>2</sub>O i m<sup>2</sup> otrzymasz: H2O i m2.

Składnia Tex

By precyzyjnie wyrazić działanie matematyczne, użyj składni Tex.

<tex>arcctg(x) = argtan(\frac{1}{x}) = arcsin(\frac{1}{\sqrt{1+x^2}})</tex>

Kod źródłowy

Krótkie fragmenty kodu

Wszelkie jednolinijkowe instrukcje języka programowania powinny być zawarte pomiędzy obróconymi apostrofami: `kod instrukcji` lub ``console.log(`string`);``.

Kod wielolinijkowy

Dodaj fragment kodu komendą . Fragmenty kodu zajmujące całą lub więcej linijek powinny być umieszczone w wielolinijkowym fragmencie kodu. Znaczniki ``` lub ~~~ umożliwiają kolorowanie różnych języków programowania. Możemy nadać nazwę języka programowania używając auto-uzupełnienia, kod został pokolorowany używając konkretnych ustawień kolorowania składni:

```javascript
document.write('Hello World');
```

Możesz zaznaczyć również już wklejony kod w edytorze, i użyć komendy  by zamienić go w kod. Użyj kombinacji Ctrl+`, by dodać fragment kodu bez oznaczników języka.

Tabelki

Dodaj przykładową tabelkę używając komendy . Przykładowa tabelka składa się z dwóch kolumn, nagłówka i jednego wiersza.

Wygeneruj tabelkę na podstawie szablonu. Oddziel komórki separatorem ; lub |, a następnie zaznacz szablonu.

nazwisko;dziedzina;odkrycie
Pitagoras;mathematics;Pythagorean Theorem
Albert Einstein;physics;General Relativity
Marie Curie, Pierre Curie;chemistry;Radium, Polonium

Użyj komendy by zamienić zaznaczony szablon na tabelkę Markdown.

Lista uporządkowana i nieuporządkowana

Możliwe jest tworzenie listy numerowanych oraz wypunktowanych. Wystarczy, że pierwszym znakiem linii będzie * lub - dla listy nieuporządkowanej oraz 1. dla listy uporządkowanej.

Użyj komendy by dodać listę uporządkowaną.

1. Lista numerowana
2. Lista numerowana

Użyj komendy by dodać listę nieuporządkowaną.

* Lista wypunktowana
* Lista wypunktowana
** Lista wypunktowana (drugi poziom)

Składnia Markdown

Edytor obsługuje składnię Markdown, która składa się ze znaków specjalnych. Dostępne komendy, jak formatowanie , dodanie tabelki lub fragmentu kodu są w pewnym sensie świadome otaczającej jej składni, i postarają się unikać uszkodzenia jej.

Dla przykładu, używając tylko dostępnych komend, nie możemy dodać formatowania pogrubienia do kodu wielolinijkowego, albo dodać listy do tabelki - mogłoby to doprowadzić do uszkodzenia składni.

W pewnych odosobnionych przypadkach brak nowej linii przed elementami markdown również mógłby uszkodzić składnie, dlatego edytor dodaje brakujące nowe linie. Dla przykładu, dodanie formatowania pochylenia zaraz po tabelce, mogłoby zostać błędne zinterpretowane, więc edytor doda oddzielającą nową linię pomiędzy tabelką, a pochyleniem.

Skróty klawiszowe

Skróty formatujące, kiedy w edytorze znajduje się pojedynczy kursor, wstawiają sformatowany tekst przykładowy. Jeśli w edytorze znajduje się zaznaczenie (słowo, linijka, paragraf), wtedy zaznaczenie zostaje sformatowane.

  • Ctrl+B - dodaj pogrubienie lub pogrub zaznaczenie
  • Ctrl+I - dodaj pochylenie lub pochyl zaznaczenie
  • Ctrl+U - dodaj podkreślenie lub podkreśl zaznaczenie
  • Ctrl+S - dodaj przekreślenie lub przekreśl zaznaczenie

Notacja Klawiszy

  • Alt+K - dodaj notację klawiszy

Fragment kodu bez oznacznika

  • Alt+C - dodaj pusty fragment kodu

Skróty operujące na kodzie i linijkach:

  • Alt+L - zaznaczenie całej linii
  • Alt+, Alt+ - przeniesienie linijki w której znajduje się kursor w górę/dół.
  • Tab/⌘+] - dodaj wcięcie (wcięcie w prawo)
  • Shit+Tab/⌘+[ - usunięcie wcięcia (wycięcie w lewo)

Dodawanie postów:

  • Ctrl+Enter - dodaj post
  • ⌘+Enter - dodaj post (MacOS)