PDF dokumentu koregavimas

Sveiki,

Gal kas is cia esanciu pades uzvesti ant kelio, siuo metu bandau suprasti PDF dokumentu struktura, viskas einasi gerai, bet strigau vieno vietoje...

Noriu su Java kalba apdoroti tam tikra kieki PDF dokumentu, tai naudoju PDFBox v2 biblioteka.

Bet kai kurie PDF kurie dokumentai yra suzymeti nebegzistuojanciomis svetainemis. (prisegu pavyzdi apacioje). Bandziau pasitelkti ir ChatGPT i pagalba, bet jis man siulo surinkti visa teksta is dokumeno, tuomet standartinemis teksto funkcijomis ieskoti nuorodu ir jas pasalinti, tuomet kurti nauja PDF dokumenta su pakoreguotu tekstu, bet tokio atvejo net nebandziau, nes suprantu, kad visos elektronines schemos issikraipys, jei isvis persikels(ko greiciausiai ir nebus)... (Bandziau ir dar kelis chatGPT pasiulytus variantus, bet nieko nepesiau...)

Man realiai reiktu kazkokiu budu koreguoti esanti dokumenta. Tai seka manau turetu buti tokia

1. Praskanuoti puslapi po puslapio ir ieskoti nuorodu

2. Jas radus, tai tik jas pasalinti is dokumento nelieciant nieko daugiau

Kiek suprantu, kad nors cia realiai tekstas su nuoroda jame, bet PDF ji supranta, kaip kazkoki objekta, kuriame yra tekstas su nuoroda.

Tai kaip galeciau is puslapio istraukti visus esamus objektus ir svarbiausiai is to objekto istraukti esama teksta, tada sulyginti teksta ir jei jis atitinkama mano kriterijus, tai galiu salinti aplamai visa objekta.

Gal atsilieps kokie patyre programuotojai? Ar iseitu tai padaryti su PDFBox v2 biblioteka? Arba gal pasiulysit kokia kita biblioteka, kuri tai galetu padaryti?

Dekui uz Jusu laika.

Tai tu vistiek turi uzsikrauti visa dokumenta i memory, ir tada jau ieskosi linku pagal regex ar siaip pagal kazkoki prefixa. Tai sita pvz bandei, cia ant greicio paziurejau - https://github.com/chadilukito/Apache-PdfBox-2-Examples/blob/master/ReplaceText.java

Cia net apie linkus kalba - https://stackoverflow.com/questions/64762072/how-to-remove-links-from-a-pdf-document-using-pdfbox