Resume/README.md

Resume Parse API

一个简单的 Node.js/Express 接口：上传简历文档（支持 .docx / .pdf），提取文本后返回结构化信息和面试评估内容。

运行

1. 安装依赖
   • npm install
2. 启动开发模式
   • npm run dev
3. 服务启动后默认地址
   • http://localhost:3000

健康检查

• GET /health
  返回示例：{ "ok": true, "mysql": { "ok": true, "skipped": false, "database": "Resume" } }
  • 未配置 MYSQL_HOST 时：mysql.skipped === true
  • 连接失败时：mysql.ok === false 且带 mysql.error

MySQL（远程库 Resume）

在 .env 中配置（勿提交到 Git，仓库已忽略 .env）：

• MYSQL_HOST：服务器 IP 或域名（必填）
• MYSQL_PORT：默认 3306
• MYSQL_USER：默认 root（按你服务器实际账号修改）
• MYSQL_PASSWORD
• MYSQL_DATABASE：默认 Resume

启动时会在控制台打印 [mysql] 已连接 或 [mysql] 连接失败。代码里通过 require("./mysql").getMysqlPool() 获取连接池。

入库说明

• 连接成功后会自动维护表 resume_submissions。
• 列结构：与解析结果对齐，姓名、城市、年龄、期望薪资、教育经历、学历、能力、工作经历、项目经历、技术栈各占一列（便于查询、统计、以后查重）；不再写入整段 extracted_text。
• JSON 列：interview_report（AI 面试题与整块评估）、pdf_meta（PDF/OCR 元信息）、warnings_json（解析告警列表）。
• 若检测到旧版表（曾含 extracted_text 列），启动时会 DROP 后重建，旧数据会清空，请注意备份。
• 接口响应里仍有 db：{ "saved": true, "id": 1 } 等含义不变。

解析接口

推荐流程（前端默认）

1. POST /api/resume/step1（multipart/form-data，字段 file）

   • 抽取文本、计算 file_sha256、与库比对是否重复（同哈希且已有 interview_report）。
   • 不调 AI。返回 parsedPreview（规则）、text、fileSha256、uploadId（非重复时用于第二步）、isDuplicate 等。

2. POST /api/resume/consult-ai（application/json）

   • Body：{ "fileSha256": "...", "uploadId": "..." }（重复时可省略 uploadId）。
   • 若重复：直接返回库内 interview_report 与列字段还原的 parsed，不请求模型。
   • 若不重复：用 uploadId 取内存会话，调用 AI，写入 resume_submissions，并清除会话。

兼容接口

• POST /api/parse-word：一步完成「抽取 + AI + 入库」（脚本或旧客户端可用）。
• 请求类型：multipart/form-data
• 文件字段名：file

curl 示例

curl -X POST "http://localhost:3000/api/parse-word" ^
  -F "file=@D:\test\demo.docx"

curl -X POST "http://localhost:3000/api/parse-word" ^
  -F "file=@D:\test\demo.pdf"

返回

{
  "filename": "demo.pdf",
  "mimeType": "application/pdf",
  "sourceType": "pdf",
  "text": "解析出的内容（纯文本）",
  "parsed": {
    "姓名": "张三"
  },
  "interviewReport": {
    "interviewQuestions": []
  },
  "warnings": []
}

说明

• 当前使用 mammoth 解析 .docx，使用 pdf-parse 解析 .pdf。
• 扫描版 PDF（几乎无文本层）：当文本层有效字符数低于阈值时，可启用 OCR：使用 pdfjs-dist + @napi-rs/canvas 将页面渲染为图片，再用 tesseract.js 识别文字。
  • PDF_OCR_ENABLED=1 才会执行 OCR（默认不开启，避免首次下载模型时请求长时间无响应）。
  • PDF_OCR_MIN_CHARS：低于该有效字符数才尝试 OCR，默认 80
  • PDF_OCR_MAX_PAGES：最多 OCR 的页数，默认 5
  • PDF_OCR_SCALE：渲染缩放（越大越清晰但更慢），默认 2
  • PDF_OCR_DISABLED：设为 1 可强制关闭 OCR（优先级高于 PDF_OCR_ENABLED）
  • PDF_OCR_LANG：Tesseract 语言，默认 chi_sim。可设为 eng 或 chi_sim+eng 等
  • PDF_OCR_INIT_TIMEOUT_MS：初始化 Tesseract（含首次下载）超时，默认 120000
  • PDF_OCR_PAGE_TIMEOUT_MS：单页识别超时，默认 120000
  • 项目将 pdfjs-dist 固定为 5.4.296，与 pdf-parse 内置版本一致，避免 Worker 与 API 版本不一致。
• 如果你需要支持 .doc（旧版 Word），告诉我你的文档来源/格式，我可以再加转换或抽取方案。