Extraction Schema Configuration

Overview

The extraction schema defines how unstructured CV text is transformed into structured data using LangChain’s JsonOutputParser with Pydantic models. This system combines prompt engineering, LLM reasoning, and schema validation to extract student profiles from PDF resumes.

The extraction schema is optimized for student CVs where traditional work experience is limited but academic projects and technical skills are rich.

Architecture

JsonOutputParser Configuration

The parser bridges LangChain and Pydantic by generating format instructions that are injected into prompts.

Setup Code

From source/notebook/Talent_Scout_3000x.ipynb:921:

from langchain_core.output_parsers import JsonOutputParser
from pydantic import BaseModel, Field

# Define the schema (see PerfilEstudiante reference)
class PerfilEstudiante(BaseModel):
    nombre: str = Field(description="Nombre completo del estudiante")
    email: str = Field(description="Email universitario o personal")
    ubicacion: str = Field(description="Ciudad/País")
    universidad: str = Field(description="Nombre de la universidad o instituto")
    carrera: str = Field(description="Carrera que está estudiando (ej. Ing. Software)")
    ciclo_actual: str = Field(description="Ciclo o semestre actual (ej. 7mo Ciclo, Egresado)")
    stack_principal: list = Field(description="Lista de top 5 lenguajes/tecnologías que domina")
    proyectos_destacados: list = Field(description="Nombres de proyectos académicos, tesis o freelance mencionados")
    tipo_perfil: str = Field(description="Clasificar en: Backend, Frontend, Data, Fullstack o Gestión")
    potencial_contratacion: str = Field(description="Breve justificación de por qué contratarlo como practicante")

# Create parser instance
parser = JsonOutputParser(pydantic_object=PerfilEstudiante)

Generated Format Instructions

The parser automatically generates JSON schema instructions:

format_instructions = parser.get_format_instructions()
print(format_instructions)

Output:

The output should be formatted as a JSON instance that conforms to the JSON schema below.

As an example, for the schema {"properties": {"foo": {"title": "Foo", "description": "a list of strings", "type": "array", "items": {"type": "string"}}}, "required": ["foo"]}
the object {"foo": ["bar", "baz"]} is a well-formatted instance of the schema.

Here is the output schema:
{
  "properties": {
    "nombre": {"type": "string", "description": "Nombre completo del estudiante"},
    "email": {"type": "string", "description": "Email universitario o personal"},
    ...
  },
  "required": ["nombre", "email", "ubicacion", ...]
}

Extraction Prompt Template

The prompt template combines domain expertise with extraction rules to guide the LLM.

Full Template

From source/notebook/Talent_Scout_3000x.ipynb:924-950:

from langchain_core.prompts import ChatPromptTemplate

template_estudiantes = """
Eres un Experto en Empleabilidad Joven y Reclutamiento IT.
Analiza el CV de este estudiante y extrae los datos estructurados.

UTILIZA EL SIGUIENTE FORMATO JSON:
{format_instructions}

REGLAS DE EXTRACCIÓN (Enfoque en Potencial):

1. ACADÉMICO:
   - Busca el ciclo actual (ej. "VI Ciclo", "7no", "Egresado"). Si no dice, infiérelo por las fechas.
   - Universidad: Extrae el nombre principal (ej. "UTP", "UPC", "San Marcos").

2. PROYECTOS (Clave para juniors):
   - Busca secciones como "Proyectos Académicos", "Freelance" o "Experiencia".
   - Extrae nombres de proyectos concretos (ej. "Sistema de Biblioteca", "App de Reciclaje").
   - NO pongas nombres de empresas genéricas, busca QUÉ HIZO.

3. TIPO DE PERFIL:
   - Analiza sus skills.
   - Si sabe Python + Pandas -> "Data".
   - Si sabe React + Node -> "Fullstack".
   - Si sabe Java + Spring -> "Backend".

TEXTO DEL CV:
{context}
"""

prompt_extract = ChatPromptTemplate.from_template(template_estudiantes)

Prompt Design Principles

Role Assignment

“Eres un Experto en Empleabilidad Joven y Reclutamiento IT”Assigns the LLM an expert persona to improve reasoning quality. The model adopts the perspective of a recruiter focused on young talent.

Format Instructions Injection

{format_instructions} placeholder is replaced with the JSON schema at runtime, ensuring the LLM knows the exact output structure.

Domain-Specific Rules

REGLAS DE EXTRACCIÓN section provides heuristics for ambiguous cases:

How to infer academic cycle from dates
Focus on project names, not company names
Classification logic for profile types

Context Variable

{context} is filled with the CV text extracted from the PDF, providing the raw data for extraction.

Extraction Chain

The chain combines prompt, LLM, and parser into a single invocable pipeline.

Chain Construction

from langchain_google_genai import ChatGoogleGenerativeAI

# Initialize LLM
llm = ChatGoogleGenerativeAI(
    model="gemini-1.5-flash",
    temperature=0  # Deterministic extraction
)

# Build chain: prompt → LLM → parser
chain_extract = prompt_extract | llm | parser

Single CV Extraction

from langchain_community.document_loaders import PyPDFLoader

# Load PDF
loader = PyPDFLoader("cv_estudiante.pdf")
pages = loader.load()
texto_completo = "\n".join([p.page_content for p in pages])

# Extract structured data
data = chain_extract.invoke({
    "context": texto_completo,
    "format_instructions": parser.get_format_instructions()
})

print(data['nombre'])  # "Fernanda Paredes"
print(data['tipo_perfil'])  # "Data"

Batch Processing Example

Process multiple CVs with error handling and progress tracking.

Full Implementation

From source/notebook/Talent_Scout_3000x.ipynb:956-991:

import glob
import pandas as pd

resultados = []
archivos = glob.glob("cvs_estudiantes_final/*.pdf")

print(f"Analizando potencial de {len(archivos)} estudiantes con IA...")

for pdf in archivos:
    try:
        # Load PDF
        loader = PyPDFLoader(pdf)
        pages = loader.load()
        texto_completo = "\n".join([p.page_content for p in pages])

        # Extract with chain
        data = chain_extract.invoke({
            "context": texto_completo,
            "format_instructions": parser.get_format_instructions()
        })

        # Add metadata
        data['archivo_origen'] = pdf.split("/")[-1]
        resultados.append(data)

        print(f"Procesado: {data['nombre']} ({data['ciclo_actual']}) -> {data['tipo_perfil']}")

    except Exception as e:
        print(f"Error leyendo {pdf}: {e}")

# Convert to DataFrame
df_talent = pd.DataFrame(resultados)
display(df_talent[['nombre', 'universidad', 'ciclo_actual', 'tipo_perfil', 'stack_principal']])

Console Output:

Analizando potencial de 5 estudiantes con IA...
Procesado: FERNANDA PAREDES (9no Ciclo) -> Data
Procesado: XIMENA RIOS (9no ciclo) -> Fullstack
Procesado: NICOLAS PAREDES (7mo Ciclo) -> Fullstack
Procesado: LUCIANA CORDOVA (8vo ciclo) -> Fullstack
Procesado: FERNANDA MENDOZA (8vo Ciclo) -> Fullstack

Input/Output Examples

Example 1: Data Analyst Student

Input CV Text (excerpt):

FERNANDA PAREDES
Data Analyst Trainee
[email protected] | +51 912 345 678 | Lima, Perú

PERFIL DE ESTUDIANTE
Estudiante de 9no ciclo con interés en Desarrollo de Software y Datos. 
Manejo de herramientas como Python y capacidad de aprendizaje rápido.

PROYECTOS Y EXPERIENCIA
Data Analyst Trainee | Proyecto Académico (UTP)
Jun 2025 - Feb 2026
• Primer puesto en Hackathon universitaria desarrollando app de reciclaje.
Tech: Python, PowerBI, Java, Spring Boot

FORMACIÓN ACADÉMICA
UTP - Ingeniería de Software (En curso)

Extracted Output:

{
  "nombre": "FERNANDA PAREDES",
  "email": "[email protected]",
  "ubicacion": "Lima, Perú",
  "universidad": "UTP",
  "carrera": "Ingeniería de Software",
  "ciclo_actual": "9no Ciclo",
  "stack_principal": ["Python", "PowerBI", "Java", "Spring Boot"],
  "proyectos_destacados": [
    "Primer puesto en Hackathon universitaria desarrollando app de reciclaje"
  ],
  "tipo_perfil": "Data",
  "potencial_contratacion": "Fernanda es una candidata fuerte para Data Analyst Trainee. Su victoria en Hackathon demuestra capacidad de ejecución bajo presión, y su stack (Python, PowerBI) es coherente con análisis de datos."
}

Example 2: Fullstack Student

Input CV Text (excerpt):

XIMENA RIOS
Junior Python Developer
[email protected] | Lima, Perú

PERFIL DE ESTUDIANTE
Estudiante de 9no ciclo con interés en Desarrollo de Software y Datos.

PROYECTOS Y EXPERIENCIA
Junior Python Developer | Startup Universitaria
Mar 2025 - Feb 2026
• Creación de una API RESTful para gestión financiera usando Python y FastAPI.
Tech: Python, FastAPI, Java, React, Spring Boot

FORMACIÓN ACADÉMICA
San Marcos - Ingeniería de Software (En curso)

Extracted Output:

{
  "nombre": "XIMENA RIOS",
  "email": "[email protected]",
  "ubicacion": "Lima, Perú",
  "universidad": "San Marcos",
  "carrera": "Ingeniería de Software",
  "ciclo_actual": "9no ciclo",
  "stack_principal": ["Python", "FastAPI", "Java", "React", "Spring Boot"],
  "proyectos_destacados": [
    "Creación de una API RESTful para gestión financiera usando Python y FastAPI"
  ],
  "tipo_perfil": "Fullstack",
  "potencial_contratacion": "Estudiante avanzado (9no ciclo) con experiencia práctica en la creación de APIs RESTful (FastAPI) y automatización de tareas (Python/Pandas). Su manejo de tecnologías tanto de Backend (Java, Spring Boot) como de Frontend (React) demuestra versatilidad técnica."
}

Error Handling

Common Issues

Validation Errors: If the LLM returns data that doesn’t match the schema, the parser will raise a validation error.

try:
    data = chain_extract.invoke({
        "context": texto_completo,
        "format_instructions": parser.get_format_instructions()
    })
except Exception as e:
    print(f"Extraction failed: {e}")
    # Log the raw LLM output for debugging
    raw_output = llm.invoke(prompt_extract.format(
        context=texto_completo,
        format_instructions=parser.get_format_instructions()
    ))
    print(f"Raw LLM output: {raw_output}")

Handling Missing Fields

If a field is truly missing from the CV, provide a default:

# In the prompt, add a fallback rule
template_estudiantes = """
...
4. VALORES POR DEFECTO:
   - Si no encuentras el email, usa "[email protected]"
   - Si no hay proyectos mencionados, usa ["Sin proyectos destacados mencionados"]
...
"""

Schema Format Instructions

The parser.get_format_instructions() method generates the JSON schema that tells the LLM how to structure its response.

Generated Schema Structure

{
  "properties": {
    "nombre": {
      "type": "string",
      "description": "Nombre completo del estudiante"
    },
    "email": {
      "type": "string",
      "description": "Email universitario o personal"
    },
    "ubicacion": {
      "type": "string",
      "description": "Ciudad/País"
    },
    "universidad": {
      "type": "string",
      "description": "Nombre de la universidad o instituto"
    },
    "carrera": {
      "type": "string",
      "description": "Carrera que está estudiando (ej. Ing. Software)"
    },
    "ciclo_actual": {
      "type": "string",
      "description": "Ciclo o semestre actual (ej. 7mo Ciclo, Egresado)"
    },
    "stack_principal": {
      "type": "array",
      "items": {"type": "string"},
      "description": "Lista de top 5 lenguajes/tecnologías que domina"
    },
    "proyectos_destacados": {
      "type": "array",
      "items": {"type": "string"},
      "description": "Nombres de proyectos académicos, tesis o freelance mencionados"
    },
    "tipo_perfil": {
      "type": "string",
      "description": "Clasificar en: Backend, Frontend, Data, Fullstack o Gestión"
    },
    "potencial_contratacion": {
      "type": "string",
      "description": "Breve justificación de por qué contratarlo como practicante"
    }
  },
  "required": [
    "nombre", "email", "ubicacion", "universidad", "carrera",
    "ciclo_actual", "stack_principal", "proyectos_destacados",
    "tipo_perfil", "potencial_contratacion"
  ]
}

Performance Optimization

Temperature Setting

llm = ChatGoogleGenerativeAI(
    model="gemini-1.5-flash",
    temperature=0  # Deterministic for consistent extraction
)

Use temperature=0 for data extraction tasks to ensure consistent, deterministic outputs. Higher temperatures introduce randomness that can break schema validation.

Parallel Processing

For large batches, use asyncio for parallel extraction:

import asyncio
from langchain_core.runnables import RunnableParallel

async def extract_cv(pdf_path):
    loader = PyPDFLoader(pdf_path)
    pages = await loader.aload()
    texto = "\n".join([p.page_content for p in pages])
    
    return await chain_extract.ainvoke({
        "context": texto,
        "format_instructions": parser.get_format_instructions()
    })

# Process 10 CVs in parallel
results = await asyncio.gather(*[extract_cv(pdf) for pdf in archivos[:10]])

Best Practices

Validate Early

Test your extraction prompt on 3-5 sample CVs before batch processing to catch edge cases.

Log Raw Outputs

Save the LLM’s raw text output before parsing to debug validation errors.

Use Enum Types

For fields like tipo_perfil, consider using Pydantic’s Literal type to enforce valid values at the schema level.

Monitor Costs

Track token usage with LangSmith or callbacks — batch processing can consume significant API quota.

Advanced: Custom Validators

Add Pydantic validators for additional data quality checks:

from pydantic import BaseModel, Field, validator

class PerfilEstudiante(BaseModel):
    # ... other fields ...
    
    stack_principal: list = Field(description="...")
    
    @validator('stack_principal')
    def validate_stack_length(cls, v):
        if len(v) > 5:
            return v[:5]  # Truncate to top 5
        if len(v) == 0:
            raise ValueError("stack_principal cannot be empty")
        return v
    
    @validator('ciclo_actual')
    def validate_ciclo_format(cls, v):
        if "ciclo" not in v.lower() and v != "Egresado":
            raise ValueError(f"Invalid ciclo format: {v}")
        return v

PerfilEstudiante Model

Detailed field reference for the Pydantic model

Talent Mining Guide

End-to-end workflow for batch CV processing

Profile Analysis

Query student profiles with semantic search

LLM Integration

Configure Gemini 1.5 Flash for optimal extraction

API Reference

Data Models

Examples

Overview

Architecture

JsonOutputParser Configuration

Setup Code

Generated Format Instructions

Extraction Prompt Template

Full Template

Prompt Design Principles

Extraction Chain

Chain Construction

Single CV Extraction

Batch Processing Example

Full Implementation

Input/Output Examples

Example 1: Data Analyst Student

Example 2: Fullstack Student

Error Handling

Common Issues

Handling Missing Fields

Schema Format Instructions

Generated Schema Structure

Performance Optimization

Temperature Setting

Parallel Processing

Best Practices

Validate Early

Log Raw Outputs

Use Enum Types

Monitor Costs

Advanced: Custom Validators

PerfilEstudiante Model

Talent Mining Guide

Profile Analysis

LLM Integration

Build docs developers (and LLMs) love

API Reference

Data Models

Examples

​Overview

​Architecture

​JsonOutputParser Configuration

​Setup Code

​Generated Format Instructions

​Extraction Prompt Template

​Full Template

​Prompt Design Principles

​Extraction Chain

​Chain Construction

​Single CV Extraction

​Batch Processing Example

​Full Implementation

​Input/Output Examples

​Example 1: Data Analyst Student

​Example 2: Fullstack Student

​Error Handling

​Common Issues

​Handling Missing Fields

​Schema Format Instructions

​Generated Schema Structure

​Performance Optimization

​Temperature Setting

​Parallel Processing

​Best Practices

Validate Early

Log Raw Outputs

Use Enum Types

Monitor Costs

​Advanced: Custom Validators

​Related Documentation

PerfilEstudiante Model

Talent Mining Guide

Profile Analysis

LLM Integration

Build docs developers (and LLMs) love

Overview

Architecture

JsonOutputParser Configuration

Setup Code

Generated Format Instructions

Extraction Prompt Template

Full Template

Prompt Design Principles

Extraction Chain

Chain Construction

Single CV Extraction

Batch Processing Example

Full Implementation

Input/Output Examples

Example 1: Data Analyst Student

Example 2: Fullstack Student

Error Handling

Common Issues

Handling Missing Fields

Schema Format Instructions

Generated Schema Structure

Performance Optimization

Temperature Setting

Parallel Processing

Best Practices

Advanced: Custom Validators

Related Documentation