使用java如何计算字数，得到与MS-Office字数统计功能相同的结果

Question

I/P文件: doc，docx，en-dash，em-dash

我已经使用Apache Tika (元数据属性)和Aspose wordtojava(库)实现了字数统计功能，但它们不能给我提供准确的字数统计结果。

en-dash & em-dash字数与MS-Office ex不同。2-3 4-5结果: MS-office给出字数4对于上面的例子，APache - Tika & Aspose库给出字数2

如何计算与MS-Office给出的正确字数相同的字数？

任何帮助都是非常值得感谢的。

需要快速响应。

谢谢

Answer 1

将文档中的所有字符串提取为一个字符串。使用这个正则表达式"\n\t\r\f \p{Pd}“拆分它们，并计算拆分的字符串数组的长度。

    String allWords = "2—3 4–5";
    String[] split = allWords.split("[\n\t\r\f \\p{Pd}]");
    System.out.println(split.length);

它打印了4。希望这对你有帮助。

Answer 2

'BuiltInDocumentProperties.Words‘属性表示Word文档中的字数估计值。当您调用“Document.updateWordCount”方法时，Aspose.Words会更新此属性。请参考以下示例代码：

Document doc = new Document(getMyDir() + "in.docx");

// Update the word, character and paragraph count of the document.
doc.updateWordCount();

// Display the updated document properties.
System.out.println("Characters: " + doc.getBuiltInDocumentProperties().getCharacters());
System.out.println("Words: " + doc.getBuiltInDocumentProperties().getWords());
System.out.println("Paragraphs: " + doc.getBuiltInDocumentProperties().getParagraphs());

霍普，这有帮助。

另外，请确保您使用的是latest version of Aspose.Words for Java，即15.7.0。

我与Aspose一起工作，作为开发人员的布道者。

Answer 3

你可能还想看看https://github.com/maresja1/Word-Counter/blob/master/README.md，它使用Apache tika，可以处理doc，docx，rtf，pdf等。我看了代码，它实际上是一个字符计数器，可以删除重复的空格。但是可以很容易地将其更改为单词计数器。