Проблема извлечения текста PDFBox fi, fl на Android Studio

Как упоминалось в комментарии, у меня была похожая проблема с лигатурами. Мне пришлось проверять файлы PDF на наличие определенных строк, и мне было интересно, почему для некоторых это не сработало. После анализа я обнаружил, что эти файлы содержат лигатуры, и поэтому я не мог найти «Текстовое поле», хотя визуально оно содержалось. Мое решение состояло в том, чтобы искать не только textfield, но и textfield - поэтому ищите две строки, одну с и одну без лигатуры.

Вы сказали, что хотите извлечь текст из файлов PDF. Поэтому я бы добавил этап постобработки.

1. Извлеките текст, как вы делаете сейчас
2. Искать все лигатуры, например. "фи" и "фи" и замените его на "фи".

У меня были документы без пробела после лигатуры - поэтому я бы рассмотрел оба случая. Также следует учитывать случаи окончания слов (например, buffi) (тогда может быть два пробела?).

Общее слово: Тема непростая, как вы уже исследовали. Этот шаг называется нормализацией NFKC. В pdfbox 2.X теперь это делается внутри (см. PDFBOX-2384), но в pdfbox 1.X TextNormalize.java был делает это.

Обновление:

Еще одна возможность, которую вы могли бы попробовать, — это изменить файл PDFTextStripper.java. Существует метод под названием normalizeWord(...). Он преобразует одинарную лигатуру «fi» в «f» и «i». Там можно было добавить

//line 1971...
//for PDFs where ligatures are followed by a space (e.g. "fi ve") 
if(word.substring(q+1,q+2).equals(" ")) {
  p = q + 2;
}
else {
  p = q + 1;
}

Но пробовал только с pdfbox 2.0.19 (а у вас вроде 1.8.X). Хорошо, что это применяется только тогда, когда лигатура была найдена. Однако, похоже, это не общее решение из-за проблем со словами, оканчивающимися на лигатуру. Но в вашем случае все должно быть в порядке, поскольку после каждой лигатуры постоянно появляется пробел.