Identidad y contacto
Nombre y datos de contacto incluidos en el CV.
Parsing por reglas · 1 crédito por CV · 56 campos
Parsing de CV por reglas para gestionar candidaturas en volumen
Convierte la información de los CV en fichas estructuradas mediante extracción determinista. Elige un modo de IA cuando el documento o los datos que buscas necesiten más contexto.
Parsing por reglas · 1 crédito por CV · 56 campos
¿Qué es el parsing de CV por reglas?
El parsing transforma un documento pensado para ser leído por una persona en datos estructurados para un software de selección. El modo por reglas identifica y normaliza la información del CV para crear una ficha de candidato utilizable en tu ATS, base de datos o flujo interno.
¿Qué información puede estructurar un parser de CV?
El modo por reglas ofrece 56 campos para organizar la información detectada en el documento.
Experiencia profesional
Puestos, empresas, periodos y datos detectados de la trayectoria.
Formación
Títulos, centros y fechas indicados en el documento.
Competencias
Competencias extraídas y organizadas en el perfil del candidato.
Idiomas y otros datos
Otros campos disponibles cuando el CV incluye la información correspondiente.
56 indica el número de campos disponibles; no garantiza que todos se completen en cada CV. Los resultados dependen de la información presente en el documento.
Del CV a la ficha estructurada del candidato
El motor lee el documento, detecta información compatible y la organiza en campos coherentes para revisarla y utilizarla.
1. Leer el documento
Extraer el contenido útil del CV enviado.
2. Detectar los datos
Identificar contacto, competencias, experiencia y otra información disponible.
3. Normalizar
Organizar los valores detectados en los campos correspondientes.
4. Usar el resultado
Revisar la ficha y utilizarla en CVReaderPro, un ATS u otro flujo.
Un motor por reglas que puede evolucionar con las observaciones
El procesamiento del CV y la mejora del motor son etapas distintas.
Durante el parsing por reglas
La extracción utiliza las reglas y los mecanismos de normalización del motor. No se llama a un modelo de IA para cada CV procesado en este modo.
Para evolucionar el motor
Las correcciones manuales validadas y los resultados del parsing con IA pueden ayudar a detectar casos que conviene mejorar y orientar cambios en el motor por reglas.
Las correcciones y los resultados sirven como observaciones para revisar el motor. Esto no significa que una regla se modifique automáticamente después de cada corrección ni que se use IA durante el parsing por reglas.
Consulta un ejemplo de resultado estructurado
Los ejemplos sintéticos siguientes permiten ver el formato de los datos devueltos. Ilustran la estructura de salida y no son una medición del rendimiento del producto.
CV ficticio
Documento de origenClaire Martin
Desarrolladora Java · Lyon
- Experiencia
- Desarrolladora Java — NovaTech · desde marzo de 2022
Desarrolladora de software — Digital Solutions · 2019–2022 - Formación
- Máster en Informática — Universidad de Lyon
- Competencias
- Java · Spring Boot · SQL · Git · Docker
Vista previa de datos estructurados
JSON ilustrativo{
"candidate": {
"firstName": "Claire",
"lastName": "Martin",
"jobTitle": "Desarrolladora Java",
"city": "Lyon"
},
"experiences": [
{
"mission": "Desarrolladora Java",
"company": "NovaTech",
"startMonth": "03",
"startYear": "2022",
"endMonth": "",
"endYear": "",
"currentPosition": true
},
{
"mission": "Desarrolladora de software",
"company": "Digital Solutions",
"startMonth": "09",
"startYear": "2019",
"endMonth": "02",
"endYear": "2022",
"currentPosition": false
}
],
"educations": [
{
"dateReceived": "2019",
"title": "Máster en Informática",
"school": "Universidad de Lyon",
"description": ""
}
],
"skills": [
{
"name": "Java",
"level": ""
},
{
"name": "Spring Boot",
"level": ""
},
{
"name": "SQL",
"level": ""
},
{
"name": "Git",
"level": ""
},
{
"name": "Docker",
"level": ""
}
]
}Ejemplo didáctico, no es una medición del rendimiento. Los resultados reales dependen del documento y de la información que contiene. A continuación se muestran ejemplos guardados del producto.
Explorar un ejemplo sintético
Descarga los CV de entrada y las salidas API capturadas. Todas las personas, empresas y ofertas son ficticias. Los documentos de ejemplo están en inglés; los resultados dependen del documento y del parser y requieren revisión humana.
¿Cuándo conviene el parsing de CV por reglas?
Este modo es adecuado para organizaciones que necesitan convertir un flujo de CV en datos de candidatos homogéneos, especialmente si importan el volumen y la integración.
Agencias de selección
Estructura los CV recibidos para crear fichas de candidatos sin volver a introducir los datos ya presentes.
Empresas de servicios tecnológicos y staffing
Convierte CV y perfiles de consultores en datos estructurados antes de buscarlos, compararlos o prepararlos para clientes.
Proveedores de ATS
Integra la extracción de CV en tu aplicación y reserva los modos de IA para los casos que requieren más contexto.
Equipos de RR. HH.
Centraliza la información clave en perfiles homogéneos en lugar de trabajar solo con documentos no estructurados.
Parsing por reglas o parsing con IA: ¿qué modo elegir?
Elige el nivel de procesamiento según el documento, el contexto necesario y el coste por CV.
| Modo | Créditos / CV | Campos | Tipo de extracción | Adecuado cuando |
|---|---|---|---|---|
| Parsing por reglas | 1 | 56 | Reglas deterministas | Basta una extracción estandarizada o procesas CV en volumen. |
| Parsing IA 56 | 3 | 56 | Modelo de IA con más contexto | El CV requiere una interpretación contextual más amplia. |
| Parsing IA 96 | 5 | 96 | Interpretación de IA más profunda | Necesitas una ficha de candidato más detallada. |
Los campos completados dependen de la información disponible en cada CV. El parsing con IA no tiene que sustituir siempre al modo por reglas.
Formatos y límites del parsing
Los flujos públicos de demostración de CVReaderPro aceptan, entre otros, estos formatos:
- DOC
- DOCX
- TXT
Ten en cuenta
- No se puede inventar la información que falta en el CV ni completarla como si estuviera presente.
- El número de campos completados varía entre documentos.
- La estructura y la calidad del CV pueden afectar a la extracción.
- Evalúa los resultados con una muestra representativa de tus propios CV.
Usa el parsing en CVReaderPro o conéctalo a tu ATS
Elige el flujo que mejor encaje con tu equipo y nivel de automatización.
Desde la interfaz de CVReaderPro
Importa un CV, consulta los datos estructurados y continúa tu flujo de selección.
Pruébalo gratis con 200 créditosDesde un ATS o una aplicación
Usa la API para integrar la extracción con tu ATS, software de RR. HH. o infraestructura.
Comparar opciones de la API¿Cuánto cuesta el parsing de CV por reglas?
El modo por reglas consume menos créditos que los modos de IA y permite probar un volumen significativo durante el periodo de prueba.
- Parsing por reglas: 1 crédito por CV procesado.
- Parsing IA 56: 3 créditos por CV. Parsing IA 96: 5 créditos por CV.
- La prueba incluye 200 créditos durante 14 días, sin tarjeta bancaria.
- Si dedicas los 200 créditos exclusivamente al modo por reglas, puedes procesar hasta 200 CV.
- Prueba varios CV representativos de los documentos que recibe tu organización.
Preguntas frecuentes sobre el parsing de CV por reglas
¿Qué diferencia hay entre el parsing por reglas y el parsing con IA?
El modo por reglas utiliza extracción y normalización deterministas, cuesta 1 crédito por CV y ofrece 56 campos disponibles. Los modos de IA interpretan más contexto: IA 56 cuesta 3 créditos e IA 96, 5 créditos por CV.
¿Las correcciones manuales y los resultados de IA pueden mejorar el motor?
Las correcciones manuales validadas y los resultados del parsing con IA pueden ayudar a identificar casos que conviene mejorar. Los cambios del motor se revisan y deciden por separado; no se aplican automáticamente después de cada corrección.
¿Se completan siempre los 56 campos?
No. 56 es el número de campos disponibles en este modo. Los campos completados dependen de la información presente y utilizable en el CV.
¿Qué formatos de CV puedo probar?
Los flujos públicos de demostración aceptan, entre otros, PDF, DOC, DOCX y TXT. Prueba tus documentos durante el periodo de prueba para comprobar su compatibilidad con tu flujo.
¿Puedo integrar el parsing en mi ATS?
Sí. La API permite utilizar los datos estructurados en un ATS u otra aplicación. Consulta la página de la API y su documentación para ver los detalles.
¿Cuántos CV puedo procesar durante la prueba?
La prueba incluye 200 créditos durante 14 días. Como el modo por reglas cuesta 1 crédito por CV, puedes procesar hasta 200 si dedicas todos los créditos a ese modo.
¿El parsing por reglas utiliza IA?
No. Este modo utiliza reglas de extracción y normalización. No se llama a un modelo de IA para cada documento procesado por reglas.
Prueba el parsing por reglas con tus CV
Carga distintos tipos de documentos, revisa los datos estructurados y elige el modo adecuado para tu volumen, tus CV y tu flujo.