我正在编写一个处理非常大的PDF的系统，最多400,000页，每个PDF有100,000个单独的语句。我的任务是快速将此PDF拆分为单独的语句。由于报表的页数不同，因此我无法在每4页进行一次简单的拆分，这使事情变得复杂。
我在36核心AWS实例上使用并行处理来加速工作，但是将400,000页PDF初始拆分为36个块非常非常缓慢，尽管处理生成的11,108页块是非常快，所以最终会有很多开销来获得好结果。
我认为这可以更快地完成的方式是使用PDFBox编写一个进程，将源PDF加载到内存中一次（与调用命令行实用程序如pdftk或cpdf 36次以分割大量PDF）然后使用它在我的其他进程的子节点上监听端口，告诉它将页面xy拆分为名为z的pdf。
这是否可以使用PDFBox，如果可以，我将用什么方法来完成它？