通过多文件编码进行文本搜索

Question

我试图从文件列表中找到一个特定的单词，这些文件可以是ASCII，Unicode或其他一些格式。到目前为止，我只能处理ASCII文件。有没有办法对其他文件编码格式做同样的操作。

Scanner s = null;

        try {

            s = new Scanner(new BufferedReader(new FileReader("C:\\New Microsoft Word Document.docx")));

            while (s.hasNext()) {
//               final String lineFromFile = s.nextLine();
//              if(lineFromFile.contains("DE")){
                    System.out.println(s.next());
//                    break;
//              }

            }
        } finally {
            if (s != null) {
                s.close();
            }
        }

我得到了以下结果

Q[µM¡°‰”Ø÷Þ3{:½¹®’)xTÖä¬?µXFÚB™QÎÞ‡Ïé=K0SˆÊÈÙ?õº×W?áÂ&¤6˜³qî?s”cÐ3ëÀÐJi½?^ýˆ;!¿Äøm«uÇ¥5LHCô`ÝΔbR…¤?§Ï+gF,y\í‹Q9S:êãw~Pá¡Â=‰p®RRª?OM±Ç•®™2R.÷àX9¼!ð#
qe—i;`­{¥fzU@2>¼Mä|f}Á
+'šªÎNÛ

Answer 1

docx不是使用不同编码的文本格式，它是一种完全不同的非文本文件格式。基本上，它是各种文件和文件夹的zip存档(主要数据在一些xml文件中)。您不能仅仅将其作为文本文件读取，还需要使用Apache POI等库或某种文件转换器从其中获取文本。

Answer 2

这与不同的文本编码无关。

是微软的一种特殊格式，它包含有关文档的各种信息(打包为zip存档)。

您可以使用word/document.xml ZipFile读取该文件并获取条目: java document.xml包含word文档的文本。然后，您可以阅读此文件并输出特定的行。

伪码：

ZipFile file = new ZipFile("doc.docx");
InputStream input = file.getInputStream(file.getEntry("word/document.xml"));

输入现在包含文本信息。

xml :xml包含文档的文本，但是有许多标记需要过滤掉