我在用这个 https:/github.comTomRoushPdfBox-Android。 在Android Studio库中使用PDFBox从PDF文档中提取文本。我是这样做的。
File pdf_file = new File(file_path);
创建文件，然后
PDDocument document = null;
document = PDDocument.load(pdf_file);
将文件加载到PDDocument对象中，然后用
PDFTextStripper pdfStripper = new PDFTextStripper();
pdfStripper.setStartPage(...);
pdfStripper.setEndPage(...);
String page_text = pdfStripper.getText(document);
来获取页面的文本内容。问题是，当有 "公司 "这个词时，它显示为 "fi rm"。它基本上是在 fi 后面放了一个空格（我想还有 fls 和其他连接符）。我试着读了一下 使用pdfBox提取OpenTypeFont文本的问题。 但我不明白如何解决。没有解决的细节。
重要：事实证明，在我的PDF文件中，我没有任何连字符，如fi，但我有常规的fi，但后面还有空格。解决方法不清楚。
PDF文件。https:/wetransfer.comdownloads09e9036dda4a7962ccad32b1cbcd8edc20200506050349ab4752。
问题是，当有 "公司 "这个词时，它显示为 "fi rm"。
原因很简单。原因很简单： 是 在 "fi "后面加一个空格!
这是在你的样本文件中，用第一次出现的 "firm "来画线的文字绘图指令。
[( )360.3(Mr Dursley was the director of a “)250( )110.3(rm called Grunnings, )]TJ
字节 “ (147)通过字体编码映射到字形名上 fi 并借助 ToUnicode 字体与Unicode字符U+fb01的映射，即拉丁文的小引号fi。
因此，PDF查看器显示的连接字形为 fi 和文本提取器提取Unicode连接字符。fi 或扩展后的字符 f 和 i.
在这个连接点之后，绘制下一个字形的起始点被左移了250个单位，然后绘制了一个空格，然后下一个起始点被左移了110.3个单位，然后绘制了 "rm"。
因此，你在查看器中看不到 "fi "和 "rm "之间的空隙（因为向左移动抵消了空格字形的绘制），但文本提取器却提取了一个空格字符（因为它就在那里）。
你可以检查一下这是不是PDFBox的怪癖，例如Adobe Reader用复制&粘贴将那行文字提取为
Mr Dursley was the director of a fi rm called Grunnings,
就像PDFBox一样，它可以展开连接字符并提取空格字符。
正如评论中提到的那样，我曾经遇到过类似的问题。我必须检查PDF文件中的某些字符串，我很奇怪为什么有些文件不能工作。经过分析，我发现这些文件包含了连接符，因此我找不到 "Textfield"，即使它在视觉上包含了它。我的解决方案是不仅要搜索 textfield 但也为 textfield - 所以搜索两个字符串，一个有连接，一个没有连接。
你说你想从pdf文件中提取文本。所以我会增加一个后处理步骤。
我有一些文件在连接符后面没有空格--所以我会考虑这两种情况。而词尾的情况（如buffi）也应该考虑（可能是两个空格呢？）。
总的来说：这个题目不容易，因为你已经研究过了。这一步叫做 NFKC正常化. 在pdfbox 2.X中，现在是在内部完成的(参见PDFBOX-2384)，但在pdfbox 1.X中TextNormalize.java是 做.
更新。
还有一种可能，你可以尝试修改PDFTextStripper.java。有一个方法叫做 normalizeWord(...). 它将单一的 "fi "连接符转换为 "f "和 "i"。你可以在这里添加
//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;
}
但我只用pdfbox 2.0.19试了一下（看来你用的是1.8.X）。好处是它只适用于发现连接符的情况。然而，它似乎并不是一个通用的解决方案，因为有问题的词是以连接符结尾的。但是在你的情况下，你应该可以解决，因为每个连接符后面似乎都有一个空格。