Вытянуть данные из html / текста

имеется 1 млн страниц со 100 тыс сайтов. каждая страница сохранена, как в html, так и в текстовой версии (все теги вырезаны), оставлено только форматирование (заголовки, таблицы и тд)

задача: вытянуть контактные данные с этих сайтов (номера телефонов компании, адрес компании, режим работы) без мусора.

% сайтов, с которых удалось...