.png)
Résumez cet article avec :
Le meilleur outil gratuit d’analyse de CV dépend de votre besoin : une API hébergée, une bibliothèque open source ou une extraction entièrement locale. En 2026, une API gratuite de parsing de CV permet de tester l’extraction structurée des données d’un CV sans s’engager auprès d’un fournisseur payant. Les outils open source offrent quant à eux davantage de contrôle sur le déploiement et la gestion des données.
La principale évolution est d’ordre technique. Les anciens parseurs fondés sur le NLP et spaCy, comme pyresparser, sont progressivement remplacés par des solutions de parsing de CV basées sur les LLM. Des modèles locaux comme Qwen2.5, souvent exécutés avec Ollama, peuvent extraire les données d’un CV hors ligne, sans aucun coût d’API.
Cet article compare des outils gratuits, des API, des modèles open source et des solutions locales. Le tableau comparatif ci-dessous résume les caractéristiques de chaque option.
Qu’est-ce qu’une API d’analyse de CV ?
Une API d’analyse de CV est une interface logicielle qui transforme automatiquement des CV en données structurées exploitables par une application.
L’API accepte généralement des fichiers PDF ou DOCX, puis extrait des informations comme les coordonnées du candidat, son expérience professionnelle, sa formation, ses compétences, ses postes précédents, ses employeurs, les dates et ses certifications. Le résultat est le plus souvent renvoyé dans un format structuré comme JSON, ce qui facilite l’enregistrement des données dans un ATS, une plateforme de recrutement ou une base de données interne.
Les termes resume parser et CV parser désignent généralement la même chose. Ils font tous deux référence à un logiciel capable d’identifier, d’extraire et d’organiser les informations contenues dans un CV.
Les développeurs utilisent les API de parsing de CV pour réduire la saisie manuelle, standardiser les profils candidats, rechercher des CV selon des champs précis et comparer les candidatures à partir d’un schéma commun. Certaines API intègrent également une fonction OCR pour traiter les documents scannés, tandis que les outils open source peuvent être exécutés localement afin d’offrir davantage de contrôle sur le traitement des données.
Gratuit, open source ou payant : quelle solution choisir ?
Les parseurs de CV open source sont particulièrement adaptés lorsque le contrôle et le traitement local des données sont prioritaires. Les offres gratuites d’API conviennent mieux aux équipes qui recherchent une intégration rapide avec peu de gestion d’infrastructure. Les logiciels payants d’analyse de CV deviennent pertinents lorsque les limites d’utilisation gratuites ne suffisent plus pour un usage en production.
Quand choisir un parseur de CV open source ?
Un parseur de CV open source vous donne un contrôle total sur le déploiement, le traitement des données et le format de sortie. Vous pouvez l’exécuter sur votre propre infrastructure, conserver les CV des candidats dans votre environnement et éviter les coûts facturés à chaque requête.
Cette approche convient aux équipes soumises à des exigences strictes en matière de confidentialité des données, ainsi qu’aux développeurs qui souhaitent modifier le pipeline d’extraction. Les configurations reposant sur des LLM locaux peuvent également permettre un coût d’API nul, puisque les documents sont traités directement sur votre propre matériel.
En contrepartie, votre équipe assume l’ensemble de la gestion opérationnelle. Elle doit héberger le parseur, gérer les dépendances, surveiller les performances et assurer la maintenance du système à mesure que les formats de CV évoluent. Il peut également être nécessaire d’ajuster les prompts, les schémas, l’OCR ou la logique d’extraction afin d’améliorer la précision pour vos documents et vos langues cibles.
Quand privilégier une API gratuite d’analyse de CV ?
Une API gratuite d’analyse de CV est généralement plus adaptée aux prototypes, aux petites applications et aux équipes qui souhaitent déployer rapidement leur solution. Le fournisseur prend en charge l’hébergement, les mises à jour des modèles, la montée en charge et l’infrastructure.
Les outils accessibles via API peuvent offrir une meilleure précision dès leur intégration, car le système d’analyse est déjà configuré pour les formats de CV les plus courants. Ils peuvent également prendre en charge davantage de types de fichiers et de langues sans nécessiter de composants OCR ou de traitement documentaire supplémentaires.
La principale limite concerne les quotas d’utilisation. Des coûts peuvent s’appliquer lorsque le volume de requêtes augmente, et les CV des candidats sont traités en dehors de votre propre infrastructure.
Règle générale : choisissez une solution open source pour le contrôle et la confidentialité, et une API pour la rapidité d’intégration et une maintenance réduite.
Meilleurs modèles open source d’analyse de CV en 2026
Resume-Matcher
Resume-Matcher est un outil open source permettant de comparer des CV à des descriptions de poste, de calculer un score de correspondance et d’identifier les mots-clés manquants. Le projet compte 27,8 k étoiles sur GitHub et a été mis à jour pour la dernière fois en avril 2026.
Le projet utilise TypeScript et Python et est distribué sous licence Apache-2.0. Il prend en charge plus de 100 LLM, notamment des modèles locaux exécutés avec Ollama ainsi que des modèles hébergés proposés par OpenAI, Anthropic et Gemini.
Son principal cas d’usage consiste à aider les candidats ou les outils de recrutement à adapter un CV à une offre d’emploi précise, en mettant en évidence les correspondances et les écarts de mots-clés.
Sa principale limite concerne son périmètre fonctionnel. Resume-Matcher est conçu pour l’optimisation des CV et leur comparaison avec des descriptions de poste, plutôt que pour l’extraction pure de champs. Les développeurs qui ont besoin d’un parseur renvoyant des données standardisées, comme la formation, les dates d’emploi ou les coordonnées, devront peut-être ajouter une couche d’extraction distincte.
open-resume
open-resume est un outil de création et d’analyse de CV accessible depuis un navigateur, qui vérifie si un CV peut être correctement lu par un logiciel de suivi des candidatures. Il compte 8,8 k étoiles sur GitHub et a été mis à jour pour la dernière fois en juin 2026.
Le projet est écrit en TypeScript et utilise la licence AGPL-3.0. Le traitement est effectué directement dans le navigateur, ce qui signifie que les données du CV ne quittent pas l’appareil de l’utilisateur.
Son principal cas d’usage consiste à aider les candidats à créer ou à tester un CV compatible avec les ATS, sans transmettre leurs données personnelles à un service externe.
Sa principale limite est qu’open-resume n’est pas une bibliothèque d’extraction destinée aux développeurs. Il prend en charge les CV en anglais utilisant une mise en page à une seule colonne et se concentre sur la création de CV et les tests de lisibilité, plutôt que sur la restitution de données structurées via une interface de parsing réutilisable.
ResumeParser (Qwen2.5)
ResumeParser est un parseur de CV open source axé sur la confidentialité, qui exécute localement le modèle Qwen2.5-1.5B. Il compte 335 étoiles sur GitHub et était encore actif en 2026.
Le projet est écrit en Python et sa licence doit être vérifiée directement dans le dépôt. Il ne nécessite aucune clé API et n’entraîne aucun coût d’API, puisque le modèle est exécuté localement.
Il extrait notamment le nom, l’adresse e-mail, le numéro de téléphone, les compétences, la formation, les expériences professionnelles et les entreprises. Il peut également générer un résumé du CV.
Son principal cas d’usage est l’analyse hors ligne de CV lorsque les données des candidats doivent rester sur une infrastructure locale.
Sa principale limite est opérationnelle. Le projet dispose d’une communauté plus restreinte que les outils les plus populaires de cette sélection, et les développeurs doivent disposer de ressources informatiques locales suffisantes pour exécuter le modèle.
ResuLLMe
ResuLLMe est un outil open source basé sur les LLM, conçu pour améliorer et réécrire des CV. Il compte 472 étoiles sur GitHub et était encore actif en 2026.
Le projet aide les utilisateurs à retravailler le contenu d’un CV, plutôt qu’à simplement vérifier sa mise en forme ou comparer ses mots-clés. Son principal cas d’usage consiste à renforcer la formulation, améliorer les sections existantes et adapter le contenu d’un CV à l’aide d’un workflow basé sur un LLM.
Il peut être utile dans les applications destinées aux candidats lorsque l’objectif est d’optimiser le document, plutôt que de le convertir uniquement en données structurées.
Sa principale limite est que ResuLLMe se concentre sur l’amélioration du contenu, et non sur l’extraction structurée. Il ne constitue donc pas le meilleur choix pour les développeurs qui recherchent une API ou une bibliothèque d’analyse de CV capable de renvoyer des champs standardisés vers un ATS, une base de données ou un pipeline de recrutement.
Meilleures API gratuites d’analyse de CV en 2026
Affinda
Affinda est une API d’analyse de CV adaptée au traitement de documents dans plusieurs langues. Elle accepte des fichiers tels que des PDF et des documents DOCX, puis convertit les informations des candidats en données JSON structurées pouvant être utilisées par des ATS, des plateformes de recrutement et des bases de données internes.
Les développeurs peuvent accéder à Affinda via l’API unique d’Eden AI, au lieu de créer et de maintenir une intégration distincte pour ce fournisseur. Il est ainsi possible de tester Affinda avec d’autres solutions d’analyse de CV en utilisant la même clé API et le même workflow de réponse.
HireAbility
HireAbility est une API d’analyse de CV permettant de convertir les documents des candidats en données structurées. Elle accepte les formats courants, notamment les fichiers PDF et DOCX, et renvoie les informations extraites au format JSON pour les applications de recrutement, les bases de données de candidats et les workflows ATS.
HireAbility est accessible via l’API unique d’Eden AI. Les développeurs peuvent intégrer un seul endpoint d’analyse de CV et l’utiliser pour tester HireAbility sans créer d’intégration spécifique au fournisseur.
Cette approche facilite également la comparaison de plusieurs fournisseurs en évaluant leurs résultats d’extraction sur le même ensemble de CV.
Klippa
Klippa est une API d’analyse de CV particulièrement adaptée aux documents nécessitant un traitement OCR avancé, notamment lorsque l’extraction du texte est plus complexe. Elle accepte des documents comme les fichiers PDF et DOCX et renvoie les informations extraites sur les candidats sous forme de données JSON structurées pour les traitements ultérieurs.
Klippa est accessible via l’API et la clé API uniques d’Eden AI. Les développeurs peuvent la tester avec d’autres fournisseurs d’analyse de CV sans avoir à maintenir des systèmes d’authentification, des formats de requête et des intégrations de facturation distincts pour chaque service.
Comment choisir un parseur de CV ?
Choisissez votre parseur de CV en fonction des documents à traiter, de vos exigences de déploiement et du volume de requêtes prévu. Avant de retenir une solution pour la production, testez les outils présélectionnés sur un échantillon représentatif de CV réels.
- Précision de l’extraction : vérifiez que le parseur extrait correctement et de manière cohérente les coordonnées, les expériences professionnelles, la formation, les compétences, les intitulés de poste, les employeurs et les dates.
- Formats de fichiers pris en charge : confirmez la compatibilité avec les formats que vous recevez, comme PDF et DOCX, et déterminez si les documents scannés ou enregistrés sous forme d’image nécessitent un traitement OCR.
- Langues prises en charge : vérifiez que le parseur prend en charge les langues utilisées par vos candidats, y compris les CV contenant plusieurs langues.
- Confidentialité et lieu de traitement des données : identifiez si les documents sont traités localement, dans le navigateur ou sur l’infrastructure d’un fournisseur externe, puis vérifiez que ce mode de traitement répond à vos exigences de confidentialité.
- Format de sortie : examinez la structure JSON renvoyée, les noms des champs, les formats de date, les scores de confiance et la cohérence du schéma entre les différentes mises en page de CV.
- Tarification et volume inclus dans l’offre gratuite : comparez les tarifs des API, les coûts d’hébergement des solutions open source et les éventuelles limites des offres gratuites avec vos volumes prévus pour les tests et la production.
Comment analyser un CV avec une seule API ?
Une API unique permet aux développeurs de tester plusieurs fournisseurs d’analyse de CV sans devoir gérer séparément l’authentification, les formats de requête et les intégrations propres à chaque service.
import json
import requests
API_KEY = "YOUR_EDEN_API_KEY"
RESUME_PATH = "candidate_resume.pdf"
headers = {"Authorization": f"Bearer {API_KEY}"}
# Eden AI V3: resume parsing runs through the single Universal AI endpoint.
# A local file must first be uploaded to /v3/upload to get a file_id.
# 1. Upload the resume file
with open(RESUME_PATH, "rb") as resume_file:
upload_response = requests.post(
"https://api.edenai.run/v3/upload",
headers=headers,
files={"file": resume_file},
data={"purpose": "resume_parser"},
timeout=60,
)
upload_response.raise_for_status()
file_id = upload_response.json()["file_id"]
# 2. Parse it via Universal AI (model = ocr/resume_parser/<provider>)
response = requests.post(
"https://api.edenai.run/v3/universal-ai",
headers={**headers, "Content-Type": "application/json"},
json={
"model": "ocr/resume_parser/affinda",
"input": {"file": file_id},
},
timeout=60,
)
response.raise_for_status()
parsed_resume = response.json()
print(json.dumps(parsed_resume, indent=2))
La requête transmet un fichier PDF ou un autre format de CV compatible au fournisseur sélectionné via Eden AI. La réponse de l’API contient des données JSON structurées que votre application peut vérifier, normaliser et enregistrer.
Le fichier JSON contient généralement :
- les coordonnées du candidat, comme son nom, son adresse e-mail et son numéro de téléphone ;
- ses expériences professionnelles et sa formation, notamment les organisations, les postes occupés et les dates ;
- ses compétences, ses certifications, les langues parlées et les autres sections extraites du CV.
Les noms exacts des endpoints, les paramètres des fournisseurs, les fichiers pris en charge et les champs de réponse peuvent évoluer. Vérifiez donc votre implémentation à partir de la documentation Eden AI la plus récente.
Pourquoi utiliser Eden AI pour l’analyse de CV ?
Eden AI fournit une seule API pour accéder à plusieurs fournisseurs d’analyse de CV à travers une intégration commune.
Les développeurs peuvent tester différents fournisseurs sur le même ensemble de CV sans créer des systèmes distincts d’authentification, de requêtes et de facturation pour chaque API. Cette approche facilite la comparaison des résultats et réduit la quantité de code nécessaire pour passer d’un parseur à un autre.
Une API unifiée permet également de changer de fournisseur lorsque les besoins évoluent. Une équipe peut, par exemple, sélectionner un fournisseur pour les CV multilingues et un autre pour les documents nécessitant un traitement OCR avancé.
Le fallback peut également améliorer la fiabilité du service. Si le parseur principal échoue ou devient indisponible, l’application peut rediriger la requête vers un autre fournisseur compatible, au lieu d’interrompre le processus d’analyse.
Testez plusieurs fournisseurs d’analyse de CV grâce à l’API d’Eden AI.
.jpg)
