Giới thiệu

PDFEX giúp bóc tách và số hóa hồ sơ lưu trữ từ file PDF scan nhiều văn bản. Ứng dụng dùng OCR (Tesseract) để đọc nội dung, tự nhận diện ranh giới từng văn bản (theo quốc hiệu, số hiệu…), tách thành file PDF riêng và xuất bảng kê kèm báo cáo JSON/HTML.

Quy trình nhanh

1. Điền Mã đơn vị và các thông tin cấu hình (Phông, Phiên bản, Ngày scan…).
2. Chọn Loại văn bản phù hợp hoặc để Tự nhận diện.
3. Kéo thả file PDF vào vùng upload hoặc bấm Chọn file.
4. Bấm Phân tích — chờ OCR và tách PDF (theo dõi thanh tiến trình).
5. Xem bảng kết quả, bấm ZIP để tải hoặc Thư mục để mở nơi lưu file.

Cấu hình

Tên file xuất ra theo mẫu MãĐV_Loạivănbản_Phông_PhiênBản_NgàyScan_STT.pdf (ví dụ có phông: H38.141_QĐ_000068_v1_20260607_000001.pdf; bỏ trống phông: H38.141_QĐ_v1_20260607_000001.pdf). STT (ví dụ 000001) là số thứ tự tài liệu trong hồ sơ — 6 chữ số, phần mềm tự đánh theo thứ tự văn bản tách được.

Giao diện chính

• Cấu hình (cột trái): form upload và nút Phân tích.
• Lịch sử: danh sách các lần xử lý trước; bấm một dòng để xem lại kết quả.
• Kết quả: bảng STT, tên file, trang, loại VB, số hiệu, trích yếu, ngày ban hành.
• Thanh tiến trình: hiện khi đang OCR/tách; có thể Hủy giữa chừng.

Kết quả & tải file

Sau khi hoàn tất, trong thư mục kết quả có:

• Các file PDF đã tách (mỗi văn bản một file).
• report.json và report.html — bảng kê chi tiết, mở HTML offline được.

Trên giao diện:

• ZIP — nén toàn bộ thư mục kết quả (trên desktop sẽ hỏi nơi lưu).
• Thư mục — mở thư mục chứa file trên máy.
• Xóa — xóa công việc và dữ liệu liên quan khỏi lịch sử.

Loại văn bản

Bấm Loại VB trên thanh menu để xem danh sách profile nhận diện (mã, nhãn, tiền tố mặc định, mẫu số hiệu…). Chọn đúng loại giúp OCR nhận số hiệu và phân đoạn chính xác hơn.

License & dùng thử

• Dùng thử: xử lý giới hạn số trang đầu mỗi PDF; thời hạn thử hiển thị trên thanh cảnh báo.
• Mua key trực tuyến: mở modal Giới thiệu hoặc truy cập PayShop — chọn PDFEX, nhập mã máy, thanh toán VietQR và nhận key tự động.
• Kích hoạt: bấm biểu tượng chìa khóa → dán License key (hoặc sao chép Mã máy khi mua thủ công).
• Giới thiệu (biểu tượng ): phiên bản, hướng dẫn mua bản quyền, QR chuyển khoản thủ công.

License gắn với một máy. Hết hạn hoặc key không hợp lệ sẽ không phân tích được PDF mới.

Poppler & Tesseract — thư viện OCR bắt buộc

PDFEX cần hai phần mềm bên ngoài (không nằm trong Python) để đọc PDF scan. Nếu thiếu hoặc cấu hình sai, phân tích vẫn chạy nhưng OCR trống — số hiệu, trích yếu rỗng, chỉ tách được 1 file lớn.

Bản đã có sẵn tools\ (khuyến nghị)

Nếu bạn nhận bản zip đầy đủ, cạnh PDFEX.exe có thư mục:

PDFEX\
  PDFEX.exe
  tools\
    poppler\Library\bin\pdftoppm.exe
    tesseract\tesseract.exe
    tesseract\tessdata\vie.traineddata

Giữ nguyên cấu trúc thư mục — không chỉ copy mỗi file .exe. Không cần cài Poppler/Tesseract riêng trên Windows.

Tự cài khi bản phân phối không có tools\

Poppler

1. Tải bản Windows: poppler-windows releases.
2. Giải nén vào C:\poppler (hoặc thư mục khác).
3. Kiểm tra có file C:\poppler\Library\bin\pdftoppm.exe.

Tesseract

1. Tải installer: UB Mannheim Tesseract.
2. Cài vào C:\Program Files\Tesseract-OCR.
3. Trong bước chọn ngôn ngữ, tick thêm Vietnamese và English.
4. Sau khi cài, kiểm tra có: C:\Program Files\Tesseract-OCR\tessdata\vie.traineddata và eng.traineddata.

Chỉ định đường dẫn thủ công (tùy chọn)

Khi cài ở ổ/ thư mục khác mặc định, tạo biến môi trường Windows (hoặc chạy lệnh trước khi mở PDFEX):

set PDFEX_POPPLER_PATH=D:\tools\poppler\Library\bin
set PDFEX_TESSERACT_CMD=D:\tools\tesseract\tesseract.exe

Tesseract 5.x: nếu log báo Failed loading language / TESSDATA_PREFIX, đặt thêm (trỏ thẳng vào thư mục tessdata, không phải thư mục cha):

set TESSDATA_PREFIX=C:\Program Files\Tesseract-OCR\tessdata