Trích dữ liệu trong PDF

Lọc SĐT

1. Tách PDF thành các ảnh rời:
   

   cpdf -extract-images .\file.pdf
   

2. (Thủ công) Kiếm các ảnh chỉ có sđt. Bật view largest lên để tìm cho dễ

3. Chạy script PowerShell sau:
   

   # Đọc OCR từ các ảnh
   $i = 1
   Get-ChildItem | ForEach-Object {
     $basename = $_.basename
     $count = $i.toString('D3') 
     $filename = "$count$basename" 
     $filename
     tesseract $_.name $filename
     $i++ 
   }   
   
   # Chỉ lọc đúng dòng có sđt và gom lại vào một file
   select-string -path *.txt -pattern '\d+-\d+-\d+' | add-content final.txt
   Notepad++ final.txt
   

4. (Thủ công) Kiểm tra lần cuối và dùng regex để tạo kết quả