Att “rensa” CV:n manuellt är den typen av uppgift som tyst saboterar hela veckan. Du laddar ner en PDF, letar efter namn och kontaktuppgifter, formaterar om den i din mall, sparar en ny version och försöker sedan komma ihåg var du spårade allt.
Det drabbar HR-team hårdast, men konsulter som förbereder kandidatprofiler och rekryterare på byrå som skickar kortlistor känner av det också. Med den här automatiseringen för anonymisering av CV släpper du ner meritförteckningar i Google Drive och får anonymiserade, varumärkta PDF:er plus en sökbar logg i Google Sheets.
Nedan ser du hur flödet fungerar, vad du behöver för att sätta upp det och hur mycket tid du kan vinna tillbaka i praktiken samtidigt som du minskar integritetsrisken.
Så fungerar automatiseringen
Se hur detta löser problemet:
n8n Workflow Template: Google Drive till Sheets: anonymiserade cv-pdf:er
flowchart LR
subgraph sg0["Google Drive Flow"]
direction LR
n0["<div style='background:#f5f5f5;padding:10px;border-radius:8px;display:inline-block;border:1px solid #e0e0e0'><img src='https://flowpast.com/wp-content/uploads/n8n-workflow-icons/compare.svg' width='40' height='40' /></div><br/>Compare Datasets"]
n1@{ icon: "mdi:cog", form: "rounded", label: "Google Drive", pos: "b", h: 48 }
n2@{ icon: "mdi:cog", form: "rounded", label: "Extract from File", pos: "b", h: 48 }
n3@{ icon: "mdi:brain", form: "rounded", label: "Google Gemini Chat Model", pos: "b", h: 48 }
n4@{ icon: "mdi:swap-vertical", form: "rounded", label: "Loop Over Items", pos: "b", h: 48 }
n5@{ icon: "mdi:database", form: "rounded", label: "Update CV Fields", pos: "b", h: 48 }
n6["<div style='background:#f5f5f5;padding:10px;border-radius:8px;display:inline-block;border:1px solid #e0e0e0'><img src='https://flowpast.com/wp-content/uploads/n8n-workflow-icons/code.svg' width='40' height='40' /></div><br/>Clean output"]
n7@{ icon: "mdi:database", form: "rounded", label: "Log the processing of the doc", pos: "b", h: 48 }
n8["<div style='background:#f5f5f5;padding:10px;border-radius:8px;display:inline-block;border:1px solid #e0e0e0'><img src='https://flowpast.com/wp-content/uploads/n8n-workflow-icons/code.svg' width='40' height='40' /></div><br/>Cleans output"]
n9["<div style='background:#f5f5f5;padding:10px;border-radius:8px;display:inline-block;border:1px solid #e0e0e0'><img src='https://flowpast.com/wp-content/uploads/n8n-workflow-icons/httprequest.dark.svg' width='40' height='40' /></div><br/>Get list of pdf files"]
n10@{ icon: "mdi:database", form: "rounded", label: "Read processed docs", pos: "b", h: 48 }
n11@{ icon: "mdi:robot", form: "rounded", label: "AI Agent - get targeted elem..", pos: "b", h: 48 }
n12["<div style='background:#f5f5f5;padding:10px;border-radius:8px;display:inline-block;border:1px solid #e0e0e0'><img src='https://flowpast.com/wp-content/uploads/n8n-workflow-icons/httprequest.dark.svg' width='40' height='40' /></div><br/>HTTP Request"]
n13@{ icon: "mdi:play-circle", form: "rounded", label: "Google Drive Trigger", pos: "b", h: 48 }
n6 --> n5
n1 --> n2
n8 --> n0
n4 --> n12
n4 --> n11
n0 --> n1
n5 --> n7
n2 --> n4
n10 --> n0
n13 --> n9
n13 --> n10
n9 --> n8
n3 -.-> n11
n7 --> n4
n11 --> n6
end
%% Styling
classDef trigger fill:#e8f5e9,stroke:#388e3c,stroke-width:2px
classDef ai fill:#e3f2fd,stroke:#1976d2,stroke-width:2px
classDef aiModel fill:#e8eaf6,stroke:#3f51b5,stroke-width:2px
classDef decision fill:#fff8e1,stroke:#f9a825,stroke-width:2px
classDef database fill:#fce4ec,stroke:#c2185b,stroke-width:2px
classDef api fill:#fff3e0,stroke:#e65100,stroke-width:2px
classDef code fill:#f3e5f5,stroke:#7b1fa2,stroke-width:2px
classDef disabled stroke-dasharray: 5 5,opacity: 0.5
class n13 trigger
class n11 ai
class n3 aiModel
class n5,n7,n10 database
class n9,n12 api
class n6,n8 code
classDef customIcon fill:none,stroke:none
class n0,n6,n8,n9,n12 customIcon
Utmaningen: anonymisera CV:n utan att bli tokig
Att dela meritförteckningar låter enkelt tills du är den som ansvarar för integritet och konsekvens. Ett CV har ett telefonnummer i sidhuvudet, ett annat har en e-postadress gömd i sidfoten och ett tredje innehåller länkar till personliga profiler som du definitivt inte ska vidarebefordra till en kund. Och så är det formateringen: typsnitt, mellanrum, avsnitt, saknade datum, märkliga tabeller. Du gör “bara några få ändringar” i varje fil och plötsligt är det fredag. Än värre: en missad detalj kan innebära att personuppgifter exponeras, och det är ingen rolig diskussion.
Det växer snabbt. Här är var det vanligtvis faller isär i det dagliga arbetet.
- Varje meritförteckning blir ett miniprojekt, eftersom du upprepar samma sök-och-ersätt och formateringsjobb om och om igen.
- Du har ingen pålitlig spårbarhet, så du kan inte snabbt svara på “Vilken version skickade vi, och när?”
- Små inkonsekvenser smyger sig in i kortlistor, vilket får företaget att se slarvigt ut även när kandidaterna är starka.
- Integritetsmisstag händer när folk har bråttom, och bråttom är normalläget vid rekryteringstoppar.
Lösningen: auto-anonymisera CV-PDF:er och logga allt
Det här n8n-flödet övervakar en Google Drive-mapp efter nya CV-PDF:er. När en fil dyker upp hämtar det dokumentinnehållet, städar upp stökig text och använder en AI-modell för att strukturera meritförteckningen i konsekventa fält (t.ex. sammanfattning, erfarenhet, kompetenser, utbildning). Därefter skriver det den strukturerade datan till Google Sheets så att du får en sökbar databas över varje bearbetat CV. Till sist anropar det en Google Apps Script-endpoint för att generera en ny, varumärkt PDF med din mall, inklusive anonymiserad namngivning (till exempel blir “John Doe” till “J. D.”) och standardiserade avsnitt. Resultatet är en delningsklar version plus ett spår av vad som hänt, vilket innebär mindre manuellt arbete och betydligt färre “vänta, vilken fil är det här?”-ögonblick.
Flödet startar med en Drive-ändringstrigger och jämför sedan nya filer mot det du redan har bearbetat, så att dubbletter inte täpper igen pipeline. Det kör filer i batchar genom extraktion och AI-fältmappning, loggar utfallet till Google Sheets och genererar slutlig PDF via en extern HTTP-förfrågan (din Apps Script-PDF-generator).
Vad som förändras: före vs. efter
| Det här eliminerar | Effekten du märker |
|---|---|
|
|
Effekt i verkligheten
Säg att du hanterar 20 CV:n i veckan och brukar lägga cirka 10 minuter på anonymisering plus ytterligare 5 minuter på omformatering per styck. Det är ungefär 5 timmar i veckan, och det är ett monotont jobb som ändå lämnar utrymme för misstag. Med det här flödet lägger du PDF:erna i Drive-mappen och låter det köra: kanske 2 minuter för att stickprovsgranska resultatet, och resten sker automatiskt medan du jobbar vidare. För många team innebär det att du får tillbaka en hel eftermiddag varje vecka.
Krav
- n8n-instans (prova n8n Cloud gratis)
- Alternativ för egen drift om du föredrar det (Hostinger fungerar bra)
- Google Drive för att bevaka en mapp med CV-PDF:er.
- Google Sheets för att lagra strukturerade CV-fält och loggar.
- Google Apps Script-endpoint (publicera som en webbapps-URL).
- LLM API-nyckel (Gemini API-nyckel från Google AI Studio, eller byt till OpenAI om du föredrar).
Kunskapsnivå: Medel. Du kommer främst att kopiera konfigurationsvärden, men du behöver publicera Apps Script och klistra in autentiseringsuppgifter i n8n.
Behöver du hjälp att implementera detta? Prata med en automationsspecialist (gratis 15-minuters konsultation).
Flödet steg för steg
En ny PDF hamnar i din Google Drive-mapp. Google Drive-triggern upptäcker en förändring och hämtar en lista över filer att utvärdera, så du behöver inte manuellt “starta” något.
Tidigare bearbetade filer filtreras bort. Flödet kontrollerar Google Sheets (din bearbetningslogg) och jämför dataset, vilket gör att du inte anonymiserar samma CV två gånger eller råkar skriva över utdata.
CV-texten extraheras, rensas och struktureras. n8n extraherar innehåll från PDF:en, normaliserar konstiga mellanrum och radbrytningar och sedan mappar en AI-agent meritförteckningen till konsekventa fält med hjälp av en chattmodell (Gemini som standard, med OpenAI tillgängligt i stacken om du föredrar).
En varumärkt, anonymiserad PDF skapas och loggas. De strukturerade fälten sparas i Google Sheets, därefter anropar en HTTP-förfrågan din Apps Script-“PDF-generator” för att skapa det slutliga anonymiserade CV:t. Flödet registrerar vad det har bearbetat så att du kan följa status senare.
Du kan enkelt justera anonymiseringsreglerna och mallutdata för att matcha kundmaterial kontra interna paket utifrån dina behov. Se hela implementeringsguiden nedan för anpassningsalternativ.
Steg-för-steg-guide för implementering
Steg 1: konfigurera Drive Change Trigger
Ställ in workflowet så att det startar varje gång en ändring upptäcks i Google Drive och förgrenar sig sedan i två parallella spår för dokumentidentifiering och spårning av redan bearbetade dokument.
- Lägg till och öppna Drive Change Trigger.
- Konfigurera triggern att bevaka den Drive eller mapp där nya PDF:er kommer att dyka upp.
- Bekräfta den parallella förgreningen: Drive Change Trigger skickar utdata till både Retrieve PDF List och Fetch Processed Docs parallellt.
- Behåll Flowpast Branding som en informativ sticky note (ingen konfiguration krävs).
⚠️ Vanlig fallgrop: Om triggern inte körs, verifiera den bevakade mappen och behörigheterna i Drive Change Trigger.
Steg 2: anslut datakällor för Google Drive och Sheets
Tillhandahåll de data som behövs för att upptäcka nya PDF:er och jämföra dem med tidigare bearbetade poster.
- Öppna Retrieve PDF List och ställ in HTTP-förfrågan så att den returnerar listan över PDF:er att bearbeta.
- Öppna Fetch Processed Docs och välj Google Sheets-filen och fliken som lagrar ID:n för bearbetade dokument.
- Säkerställ att Normalize Output Text följer efter Retrieve PDF List för att standardisera listutdata innan jämförelse.
- Verifiera att Contrast Data Sets tar emot indata från både Normalize Output Text och Fetch Processed Docs.
Tips: Håll utdata-strukturen från Retrieve PDF List konsekvent för att undvika felaktiga jämförelser i Contrast Data Sets.
Steg 3: konfigurera dokumentextraktion och AI-bearbetning
Extrahera text från nya PDF:er, iterera genom poster och kör AI-fältextraktion med Gemini.
- Konfigurera Google Drive Access för att hämta varje nytt dokument som identifieras av Contrast Data Sets.
- Anslut Pull from Document för att extrahera text från den nedladdade filen.
- Använd Iterate Through Records för att bearbeta varje extraherad post; den skickar utdata till både External API Call och AI Agent Extract Fields parallellt.
- Öppna AI Agent Extract Fields och koppla in den promptlogik ni vill använda för fältextraktion.
- Bekräfta att Gemini Chat Engine är ansluten som språkmodell för AI Agent Extract Fields; säkerställ att autentiseringsuppgifter läggs till i Gemini Chat Engine, inte i agentnoden.
⚠️ Vanlig fallgrop: AI-undernoder lagrar inga autentiseringsuppgifter. Lägg till och testa autentiseringsuppgifter direkt i Gemini Chat Engine.
Steg 4: konfigurera datarensning och uppdateringar av utdata
Rensa AI-utdata, uppdatera er CV-dataset och registrera bearbetade dokument för att förhindra dubbletter.
- Öppna Sanitize Output Text för att rensa de extraherade fälten innan de skrivs till Sheets.
- Konfigurera Modify CV Columns för att mappa de rensade fälten till rätt kolumner i er CV-flik.
- Ställ in Record Doc Processing för att logga varje bearbetat dokument-ID i er spårningsflik.
- Bekräfta loopen: Record Doc Processing skickar utdata tillbaka till Iterate Through Records för kontinuitet i batchkörningen.
Tips: Håll ID-fältet konsekvent mellan Fetch Processed Docs och Record Doc Processing för att undvika att samma fil bearbetas igen.
Steg 5: testa och aktivera ert workflow
Validera hela körningen från trigger till uppdateringar i Sheets och aktivera sedan för produktion.
- Klicka på Execute Workflow för att köra ett manuellt test med en känd PDF i den övervakade Drive-platsen.
- Bekräfta lyckad körning: Retrieve PDF List returnerar filer, Contrast Data Sets filtrerar nya objekt och Modify CV Columns uppdaterar CV-fliken.
- Verifiera att Record Doc Processing loggar det bearbetade dokument-ID:t.
- När allt är validerat, slå på Active för att aktivera produktionskörningar.
Se upp för
- Autentisering för Google Drive och Google Sheets kan löpa ut eller kräva specifika behörigheter. Om något slutar fungera, kontrollera det anslutna Google-kontot i n8n Credentials och bekräfta att det fortfarande har åtkomst till Drive-mappen och arket.
- Om du använder Wait-liknande beteende via extern PDF-generering (Apps Script) eller API-baserad rendering varierar processtiderna. Öka vänt-/retry-beteendet om nedströmsnoder fallerar eftersom PDF-URL:en inte är redo ännu.
- Standardprompter för AI-extraktion är generiska. Lägg in dina fältdefinitioner och varumärkesregler tidigt (vad som räknas som personuppgifter, hur namn ska förkortas, vad som ska tas bort), annars kommer du att redigera utdata för alltid.
Vanliga frågor
Vanligtvis på cirka en timme när dina Google-konton och din Apps Script-endpoint är klara.
Ja, men du vill ha en person som är bekväm med att publicera Google Apps Script. I n8n handlar det mest om att koppla konton och klistra in några konfigurationsvärden.
Ja. n8n har ett gratis alternativ för egen drift och en gratis provperiod på n8n Cloud. Cloud-planer börjar på 20 USD/månad för högre volym. Du behöver också räkna in LLM-API-användning, vilket vanligtvis är några cent per CV beroende på modell och promptstorlek.
Två alternativ: n8n Cloud (hanterat, enklast att komma igång) eller egen drift på en VPS. För egen drift är Hostinger VPS prisvärd och hanterar n8n bra. Egen drift ger dig obegränsade körningar men kräver grundläggande serveradministration.
Du kan justera vad som tas bort eller förkortas genom att ändra AI-instruktionerna för extraktion och sanitiseringslogiken innan data sparas i Google Sheets. Många team anpassar Apps Script-PDF-mallen för att matcha interna format kontra kundformat och använder sedan enkel If-logik för att växla mall baserat på roll, avdelning eller destination. Om du föredrar OpenAI framför Gemini byter du chattmodellnoden som används för strukturering, medan resten av flödet kan vara oförändrat.
Oftast beror det på att OAuth-medgivandet har löpt ut eller att den anslutna Google-användaren har tappat åtkomst till den bevakade mappen. Återanslut Google Drive-credential i n8n och bekräfta sedan att mappen fortfarande finns och inte har flyttats. Om du bearbetar många filer samtidigt kan rate limits också visa sig som intermittenta fel, så batchning (Split in Batches) är viktigt.
Om du kör egen drift finns inget hårt tak för antal körningar; det beror främst på din server och API-begränsningar.
Ofta, ja. Det här flödet är inte bara “flytta en fil från A till B”; det extraherar PDF-text, normaliserar stökigt innehåll, kör AI-fältmappning, förhindrar dubbletter, anropar sedan en extern PDF-generator och loggar allt. n8n hanterar förgreningar, batchning och kodbaserad städning utan att prissättningen blir en matteuppgift. Zapier och Make kan fortfarande fungera om din version är mycket enklare, men avancerad PDF-tolkning och mallgenerering blir ofta klumpigt. Om du är osäker, prata med en automationsspecialist så får du ett rakt svar baserat på din volym och dina verktyg.
När detta väl är igång slutar meritförteckningar att vara en integritetsrisk och blir i stället en korrekt formaterad, repeterbar process. Sätt upp det, mata mappen och gå vidare till jobbet som faktiskt kräver ditt omdöme.
Kontakta oss
Hör av dig, så diskuterar vi hur just din verksamhet kan dra nytta av alla fantastiska möjligheter som AI skapar.