常见招聘网站简历(doc档)解析
最近在帮助公司里做一些简历解析的活，与公司合作的招聘网站有猎聘、前程无忧、卓博、中国人才热线、智联共5家，人资给到了这5个网站的简历模板，都是doc档，要求能自动解析并上传到公司的eHR系统，花了大概2天时间终于搞定，这其中的几个关键点记录下来，希望能帮到碰到同样问题的人。
因为之前用到了Aspose.doc组件，所以解析doc档首先想到的就是用这个组件，不得不说这个组件很强大，2行代码就可以读到doc里面的内容
Aspose.Words.Document doc = new Aspose.Words.Document(filePath); string m_strResumeText = doc.ToTxt();
这段代码可以解析猎聘、中国人才热线、智联的简历，但是前程无忧和卓博的简历却报错了，提示Unknown file format.一开始我怀疑是组件的问题，以为不是最新版，这个想法没法验证，因为要获取Aspose.Words这个组件的最新版本需要付费。于是我就找他免费的组件，包括NPOI，DocX，这两个试过都不太行，甚至不能打开之前Aspose.dll能打开的3种格式的简历，后来就找到了冰蓝科技的Spire.Doc，这个是免费的，其免费版有限制，如下
不过对于简历来说，不会超过500个段落和25个表格，完全可以使用。这个组件使用也很简单，也是简单的几句话就可以将Doc里的文本提取出来，可是同样的在解析前程无忧和卓博的简历也报错了，提示的信息是：this is not a structured storage file. 有点绝望，这时只能怀疑真的是前程无忧和卓博的简历格式有问题，可是用Word打开却又是正常的，表面看完全看不出格式有问题。
进一步查找，网上有人讲前程无忧的简历其实不是真的doc，而是mht，于是改后缀为mht,用记事本打开，才知道原来内容都编码为了base64，怪不得Aspose.Words和Spire.Doc都打不开。
找到了原因，接下来就是尝试解决方案了，先以二进制流的方式打开文件，然后转化为字符串，然后在GitHub上找了一个MHTMLParser的类库，将字符串中以base64编码的内容解码，以解码后的内容重新生成doc文件，这时就可以用Aspose.Doc打开了。
Stream sFile = new FileStream(hidFilePath.Value, FileMode.Open);
byte[] bytes = new byte[sFile.Length];
sFile.Read(bytes, 0, bytes.Length);
sFile.Close();
string charset = "";
if (m_strTemplateCode == "51job")
{
charset = "gb2312";
}
if (m_strTemplateCode == "jobcn")
{
charset = "utf-8";
}
var byteToString1 = System.Text.Encoding.GetEncoding(charset).GetString(bytes);
MHTMLParser parser = new MHTMLParser(byteToString1);
string html = parser.getHTMLText();
if (!html.StartsWith("<html><body>"))
{
html = "<html><body>" + html + "</html></body>";
}
byte[] bytes2 = System.Text.Encoding.GetEncoding("gb2312").GetBytes(html);
string tempFilePath = Path.Combine(Server.MapPath("/Upload"), m_strTemplateCode + DateTime.Now.ToString("HHmmsss") + ".doc");
FileStream fs = new FileStream(tempFilePath, FileMode.CreateNew);
fs.Write(bytes2, 0, bytes2.Length);
fs.Close();
doc = new Aspose.Words.Document(tempFilePath);
m_strResumeText = doc.ToTxt();
注意上述代码中有以下段，这一段很重要，如果没有<html><body>这样的标记，Aspose.doc还是解析不了。
if (!html.StartsWith("<html><body>"))
{
html = "<html><body>" + html + "</html></body>";
}
在解析过程中，发现提取的txt文件中包括很多的重复行内容，可以先将行用特殊字符替换（如^)，然后用以下这句话就可以将重复的内容去除了。
m_strResumeText = String.Join("^", m_strResumeText.Split('^').Distinct());
在取到简历文档的txt后，这时就可以用正则表达式提取每个字段的内容了
循环这些正则表达式规则，取每个栏位的值，然后就可以保存至数据库了。
