简历匹配器

加入 Discord ✦ 网站 ✦ 演示 ✦ 如何安装 ✦ 贡献 ✦ 捐赠 ✦ Twitter

简历匹配器是一款基于人工智能的免费开源工具。它可以帮助您根据职位描述调整简历，找出匹配的关键词，提高可读性，并深入洞察您的简历。

</div> <br> <div align="center">

Apache 2.0

在 ProductHunt 🚀 上为我们投票。

</div> <div align="center">

不要让您的简历成为获得下一份工作的障碍。使用简历匹配器！

Resume_Matcher_streamlit_demo

它是如何工作的？

</div>

简历匹配器将您的简历和职位描述作为输入，使用 Python 解析它们，模拟 ATS 的功能，为您提供见解和建议，使您的简历更适合 ATS。

具体流程如下：

解析：系统使用 Python 解析您的简历和提供的职位描述，就像 ATS 一样。
关键词提取：该工具使用先进的机器学习算法从职位描述中提取最相关的关键词。这些关键词代表雇主所寻求的技能、资格和经验。
关键术语提取：除了关键词提取，该工具还使用textacy来识别职位描述中的主要关键术语或主题。这一步有助于理解简历的更广泛背景。
使用FastEmbedd进行向量相似度计算：该工具使用FastEmbedd（一个高效的嵌入系统）来衡量您的简历与职位描述的匹配程度。它们越相似，您的简历通过ATS筛选的可能性就越高。

如何安装

</div>

按照以下步骤设置环境并运行应用程序。

在这里fork仓库。

克隆已fork的仓库。

git clone https://github.com/<您的用户名>/Resume-Matcher.git
cd Resume-Matcher

创建Python虚拟环境：
- 使用virtualenv：
  
  注意：在此处查看如何在您的系统上安装virtualenv。
```
virtualenv env
```
或者
- 创建Python虚拟环境：
```
python -m venv env
```

激活虚拟环境。

在Windows上：
```
env\Scripts\activate
```
在macOS和Linux上：
```
source env/bin/activate
```

可选（针对pyenv用户）

使用pyenv运行应用程序（参考此文章）

构建依赖项（在ubuntu上）

sudo apt-get install -y make build-essential libssl-dev zlib1g-dev libbz2-dev libreadline-dev libsqlite3-dev wget curl llvm libncurses5-dev libncursesw5-dev xz-utils tk-dev libffi-dev liblzma-dev python openssl


sudo apt-get install build-essential zlib1g-dev libffi-dev libssl-dev libbz2-dev libreadline-dev libsqlite3-dev liblzma-dev libncurses-dev

sudo apt-get install python-tk python3-tk tk-dev

sudo apt-get install build-essential zlib1g-dev libffi-dev libssl-dev libbz2-dev libreadline-dev libsqlite3-dev liblzma-dev

pyenv安装程序
```
   curl https://pyenv.run | bash
```
安装所需的Python版本
```
  pyenv install -v 3.11.0
```
使用pyenv创建虚拟环境
```
   pyenv virtualenv 3.11.0 venv
```
使用pyenv激活虚拟环境
```
   pyenv activate venv
```

安装依赖项：
```
pip install -r requirements.txt
```
准备数据：
- 简历：将您的PDF格式简历放在Data/Resumes文件夹中。删除此文件夹中的任何现有内容。
- 职位描述：将您的PDF格式职位描述放在Data/JobDescription文件夹中。删除此文件夹中的任何现有内容。
将简历解析为JSON：
```
python run_first.py
```
运行应用程序：
```
streamlit run streamlit_app.py
```

注意：对于本地版本，您不需要运行"streamlit_second.py"，因为它专门用于部署到Streamlit服务器。

附加说明：向量相似度部分是预先计算的，以优化性能，因为句子编码器需要大量GPU和RAM资源，计算过程非常耗费资源。如果您有兴趣在Google Colab环境中免费使用此功能，请参考即将发布的博客（链接将提供）以获取进一步指导。

<br/>

Docker

构建镜像并启动应用程序
```
    docker-compose up
```
在浏览器中打开localhost:80

<br/>

运行Web应用程序

全栈Next.js（React和FastAPI）Web应用程序允许用户通过Web浏览器与简历匹配工具进行交互。

[!警告] 通过Web应用返回的结果目前完全是模拟/伪造的。这意味着返回的结果不是真实的，仅用于演示目的。在未来的版本中，将会实现真实数据结果。要运行完整的全栈Web应用程序（前端客户端和后端API服务器），请按照webapp README文件中的说明进行操作。

<br/>

Google Colab

在ngrok创建一个账户并获取你的令牌
转到archive/resume_matcher_colab.ipynb并运行该笔记本。
输入你的ngrok令牌并运行笔记本。
复制URL并在浏览器中打开。

代码格式化

本项目使用Black进行代码格式化。我们认为这有助于保持代码库的一致性，并在阅读代码时减少认知负担。

在提交你的拉取请求之前，请确保你的更改符合Black的风格指南。你可以通过在终端中运行以下命令来格式化你的代码：

black .

预提交钩子

我们还使用pre-commit来在提交代码之前自动检查常见问题。这包括使用Black进行代码格式检查。

如果你还没有安装，请通过在终端中运行以下命令来安装pre-commit钩子：

pip install pre-commit
pre-commit install

现在，每次你提交更改时，预提交钩子都会自动运行。如果有任何钩子失败，提交将被中止。

加入我们，做出贡献！

我们不仅欢迎，更是热烈庆祝拉取请求和问题！让我们一起创造。

🎉 加入我们活跃的Discord社区，畅所欲言！

💡 发现问题？创建一个issue！

👩‍💻 深入参与并帮助解决现有的issues。

🔔 在我们的讨论和公告中分享你的想法。

🚀 探索并改进我们的登陆页面。随时欢迎PR！

📚 为Resume Matcher文档做出贡献，帮助人们开始使用该软件。

技术栈

请通过捐赠支持开发。

</div>

注意！ 📝

你的支持对我们来说意义重大 💙。我们正以开源社区精神培育这个项目，我们还有一个雄心勃勃的路线图！以下是一些你可以贡献并产生重大影响的方式：

✨ 将我们的Streamlit仪表板转变为更强大的东西。

💡 改进我们的解析算法，使数据更易于获取。 🖋 在博客文章中分享你的见解和经验，帮助他人。

勇敢迈出一步，贡献你的力量，让我们一起成长！🚀

我们的贡献者 ✨

Resume-Matcher

简历匹配器