Разработка AI-системы парсинга резюме с job-сайтов

Массовый парсинг резюме с hh.ru, SuperJob, Rabota.ru и LinkedIn — задача, которую мы решаем под ключ. Ежедневно система обрабатывает тысячи новых резюме, снижая ручной труд рекрутеров на 90%. Вместо копирования данных из 3–4 источников вы получаете единую, автоматически обновляемую базу кандидатов с AI-обогащением: грейд (junior/middle/senior/lead), стек технологий, суммарный опыт в годах. Снижение затрат на подбор до 80% эквивалентно экономии более 500 000 руб. в год на каждые 1000 резюме. Использование официальных API снижает стоимость сбора одного резюме до 0,1 руб. против 10 руб. при ручном копировании. Ниже разберём технические детали: как избежать блокировок при парсинге, нормализовать разнородные схемы данных и не утонуть в дубликатах. Все решения соответствуют robots.txt и официальным API.

API vs парсинг: выбор стратегии

Для России: hh.ru и SuperJob имеют официальные API для работодателей. Рекомендуем начинать с них. Парсинг используем только для Rabota.ru и LinkedIn, где API нет или он ограничен. При парсинге через API затраты на одно резюме минимальны, а надёжность в 10 раз выше, чем при HTML scraping.

Как снизить риски блокировки при парсинге?

Для LinkedIn и Rabota.ru используем Playwright с ротацией user-agent и прокси. Однажды на проекте с 500 резюме в день столкнулись с капчей на Rabota.ru — пришлось внедрить сервис распознавания изображений. После адаптации стабильность парсинга достигла 98%.

Нормализация данных: ключ к единой базе

Каждый job-сайт возвращает данные в своём формате. Без нормализации вы не сможете объединить резюме в единую базу. Мы приводим все резюме к единой схеме на Pydantic:

class NormalizedResume(BaseModel):
    source: str                  # "hh.ru" | "superjob" | "rabota.ru"
    source_id: str               # ID на источнике
    full_name: str
    age: int | None
    city: str | None
    desired_position: str
    desired_salary: int | None
    currency: str

    experience: list[WorkExperience]
    education: list[Education]
    skills: list[str]            # нормализованные навыки
    languages: list[LanguageSkill]
    last_updated: datetime

    # AI-обогащение
    seniority_level: str         # junior/middle/senior/lead — AI оценка
    tech_stack: list[str]        # стек технологий — извлечено AI
    experience_years: float      # суммарный опыт

{
  "source": "hh.ru",
  "source_id": "123456",
  "full_name": "Иванов Иван",
  "age": 30,
  "city": "Москва",
  "desired_position": "Python разработчик",
  "desired_salary": 200000,
  "currency": "RUB",
  "experience": [
    {
      "company": "ООО Технологии",
      "position": "Senior Python developer",
      "start_date": "2020-01",
      "end_date": "2023-06",
      "description": "Разработка бэкенда на FastAPI"
    }
  ],
  "education": [
    {
      "institution": "МГУ",
      "degree": "Бакалавр",
      "field": "Прикладная математика",
      "graduation_year": 2016
    }
  ],
  "skills": ["Python", "FastAPI", "PostgreSQL"],
  "languages": [{"language": "Английский", "level": "B2"}],
  "last_updated": "2025-02-01T10:00:00",
  "seniority_level": "senior",
  "tech_stack": ["Python", "FastAPI", "PostgreSQL", "Docker"],
  "experience_years": 8.5
}

Что даёт AI-обогащение резюме?

AI-модель (GPT-4o или LLaMA 3) определяет грейд и технологии на лету — это в 1.4 раза точнее ручного тегирования. Экономия времени рекрутера — до 80% на обработке каждого резюме.

Дедупликация кандидатов: трёхуровневый метод

Один кандидат часто размещает резюме на 2–3 сайтах. Наша система выявляет дубликаты трёхуровневым методом:

При similarity > 0.85 — предлагаем объединение, при > 0.95 — сливаем автоматически. Это исключает до 95% дубликатов без потери данных.

Обновление базы кандидатов по триггерам

Резюме устаревают, поэтому система обновляет их по триггерам:

• Кандидат обновил резюме на источнике (webhook или периодический poll раз в час).
• Прошло 30 дней без изменений — фоновый репарсинг.
• Кандидат откликнулся на вакансию — приоритетное обновление.

Такой подход гарантирует актуальность базы с задержкой не более 1 часа.

Этапы внедрения системы парсинга резюме

1. Аналитика: определяем источники, объёмы данных, требования к ATS. Собираем примеры резюме для тестирования.
2. Проектирование: выбираем между API и парсингом, проектируем схему нормализации, pipeline дедупликации и обогащения.
3. Реализация: пишем парсеры (Scrapy/Playwright), подключаем AI-модель, настраиваем дедупликацию и интеграцию с ATS.
4. Тестирование: запускаем на тестовых данных, проверяем точность извлечения, скорость и надёжность.
5. Деплой: разворачиваем на серверах (Docker, Kubernetes), настраиваем мониторинг (Grafana, Prometheus) и CI/CD.

Что входит в работу

• Документация: описание архитектуры, схемы данных, инструкция по эксплуатации.
• Доступы: к backend (FastAPI), админ-панели, Grafana-метрикам.
• Обучение: 2 сессии для вашей команды (администрирование и настройка правил).
• Поддержка: 2 недели после запуска + гарантия на код 6 месяцев.

Также по запросу добавляем кастомные правила обогащения: например, выделение сертификатов, проектов или soft skills через few-shot промпты для LLM. Тестируем на выборке из 100 резюме.

Получите консультацию по вашему проекту сегодня — оценим проект за 1 день и предложим оптимальное решение. Закажите разработку системы под ключ и автоматизируйте подбор персонала.

NLP разработка: классификация текстов, NER, эмбеддинги и извлечение информации

К нам приходит задача: обрабатывать 50 тысяч обращений в службу поддержки — сейчас всё вручную. Датасет — 3000 размеченных примеров, 12 категорий, дисбаланс: одна категория занимает 40% выборки, три по 1-2%. Baseline accuracy — 78%. Звучит неплохо, пока не смотришь на recall по редким классам: 0.31, 0.44, 0.28. Именно эти классы — жалобы и угрозы оттока — важнее всего бизнесу.

Это типичный проект NLP разработки. Проблема не в алгоритме, а в том, что accuracy — не та метрика. Наш опыт показывает: в 30+ проектах мы начинаем с анализа бизнес-метрик и только потом выбираем модель.

Почему accuracy — не та метрика для редких классов?

Accuracy игнорирует дисбаланс. Если класс «отток» встречается в 2% случаев, модель может предсказывать «всё хорошо» и получить 98% accuracy — но бизнес теряет клиентов. Решение: F1 macro (усреднение по всем классам) или weighted F1. Для NER — strict entity F1 (только точные совпадения). Гарантируем: после выбора правильной метрики качество модели становится измеримым и прогнозируемым.

Классификация текста: от BERT до дистилляции

BERT-подобные модели — стандарт для классификации. ruBERT-base или ruBERT-large от DeepPavlov для русского языка. multilingual-e5-large — если нужно работать с несколькими языками в одном пайплайне. XLM-RoBERTa-large — сильный multilingual backbone.

Fine-tuning для классификации: добавляем classification head поверх [CLS]-токена, обучаем 3-5 эпох с lr=2e-5, weight decay=0.01. При дисбалансе — weighted CrossEntropyLoss или focal loss с gamma=2.0. Пишите — покажем code snippet.

Кейс с дисбалансом. Датасет — 3000 примеров, дисбаланс 1:20. Решение: class_weight через sklearn + CrossEntropyLoss. Дополнительно — augmentation редких классов через backtranslation (ru→en→ru через MarianMT). Recall по редким классам вырос с 0.31 до 0.67 при незначительном падении accuracy (76%→74%). Полная NLP разработка под ключ заняла 3 недели.

Дистилляция для production. BERT-large даёт F1 0.89, но inference на CPU — 180ms. Дистилляция в DistilBERT или ruBERT-tiny2 снижает latency до 25ms при F1 0.84. Экспорт в ONNX Runtime даёт дополнительный 1.5-2x. Оценим проект — рассчитаем экономию на инфраструктуре.

NER: распознавание именованных сущностей

NER — извлечение персон, организаций, локаций, дат, сумм, номеров документов. Для общих категорий (PER, ORG, LOC) предобученные модели работают хорошо. Для специализированных (медицинские термины, юридические понятия) — нужен fine-tuning.

Разметка данных. Основная стоимость NER-проекта. Для качественной модели — 500-2000 размеченных предложений на каждый тип сущности. Инструменты: Label Studio (open source) или Prodigy (от создателей spaCy). Формат IOB2 — стандарт.

Архитектура. Token classification поверх BERT: каждому токену метка (B-PER, I-PER, O). spaCy 3.x с transformer pipeline — удобный production-выбор.

Вложенные сущности. Стандартные IOB-модели не обрабатывают вложенные сущности (организация внутри адреса). Для таких задач — span-based NER: SpanBERT или SpERT. Сложнее, но правильно.

Постобработка обязательна. Модель предсказывает токены — нужны нормализованные сущности. Дата — dateparser. Суммы — regex + валидация. Имена — дедупликация через rapidfuzz. Входит в нашу стандартную поставку.

Sentiment Analysis и opinion mining

Бинарная классификация positive/negative работает с BERT из коробки. Сложность — аспектная тональность (ABSA): «в ресторане хорошая кухня, но ужасный сервис». Для ABSA: aspect extraction (NER) + sentiment по каждому аспекту. Joint модели BERT-for-ABSA — качество на русских данных ниже из-за дефицита датасетов. RuSentiment, SentiRuEval — основные ресурсы.

Для продакшена с простым позитив/негатив/нейтраль: distil-модели достаточно. Три класса, balanced датасет, 2000+ примеров — F1 macro 0.82-0.87 за 1-2 дня.

Суммаризация текста

Экстрактивная суммаризация (выбираем предложения) — TextRank или BM25 без обучения. Быстро, не галлюцинирует. Хорошо для длинных документов.

Абстрактивная (генерирует новый текст) — seq2seq: mT5, mBART, FRED-T5, ruT5-large. Для production через LLM API (GPT-4, Claude) — часто лучший трейдофф стоимость/качество/скорость.

Эмбеддинги: векторные представления текста

Эмбеддинги — основа семантического поиска, дедупликации, кластеризации, RAG. Качество критически влияет на downstream задачи.

Модели. E5-large-v2, BGE-M3, multilingual-e5-large — сильные multilingua embedders. sentence-transformers/paraphrase-multilingual-mpnet-base-v2 — быстрый вариант. Для русского: ru-en-RoSBERTa (Skoltech) хорош на semantic textual similarity.

Как оценить качество эмбеддингов? MTEB benchmark — стандарт. Но топовые результаты на MTEB не гарантируют успех на доменном датасете — строим домен-специфичный eval.

Fine-tuning эмбеддингов. Если стандартные модели не дают нужного Recall@k — contrastive learning на доменных парах с MultipleNegativesRankingLoss. 500-2000 пар, 1-3 эпохи — 5-15% прирост Recall@k.

Размерность и хранение. E5-large: 1024 dim, float32 — 4KB на вектор. При 10M документов — 40GB. Квантизация int8 снижает до 10GB. FAISS IVF_PQ — ещё компактнее, но с потерями. Входит в наши рекомендации по деплою.

Извлечение информации

Структурированное извлечение — одна из частых задач. Примеры: ключевые условия договора, технические характеристики, даты и суммы из счетов.

1. Regex + rule-based. Для ИНН, ОГРН, сумм, дат — надёжнее нейросети. Не требует данных.
2. NER + постобработка. Для вариативных форматов.
3. LLM с structured output. GPT-4 / Claude с JSON schema — для сложных документов. Стоимость: ~$0.001-0.01 на документ. Для 10k+ документов/день — считаем экономику.

Гарантируем гибрид: regex/NER для типовых полей + LLM для edge cases. Сертификат доверия: 5 лет на рынке, >30 проектов.

Этапы работы

Прототип на существующих данных — 1-3 недели. Production-система с CI/CD — 1.5-2.5 месяца. Стоимость рассчитывается индивидуально — напишите, получите консультацию и оценку.

Что входит в работу

• Документация по архитектуре модели и пайплайну
• Доступы к модели через REST API (FastAPI + ONNX)
• Обучение команды заказчика (2 часа вебинара + Q&A)
• Гарантия на точность модели на оговоренной тестовой выборке
• Поддержка 3 месяца после сдачи (багфикс, адаптация под новые данные)

Наш опыт

Более 5 лет в NLP, 30+ проектов от классификации до RAG-систем. Команда включает ML-инженеров с опытом в Hugging Face, spaCy, LangChain, MLOps. Используем vLLM, Kubeflow, Weights & Biases — продакшен-стек, а не игрушки. Пишите — оценим проект за 2 дня.