告别复杂文档处理：用Guava轻松搞定Word文本提取

告别复杂文档处理：用Guava轻松搞定Word文本提取

【免费下载链接】guava Google core libraries for Java 项目地址: https://gitcode.com/GitHub_Trending/gua/guava

你是否还在为处理Word文档中的文本内容而烦恼？面对格式复杂的.docx文件，提取纯文本往往需要繁琐的步骤和第三方库支持。本文将介绍如何使用Guava（Google核心Java库）配合简单的文本处理技巧，轻松实现Word文档内容的提取与处理，无需复杂的Apache POI配置。

Guava文件操作基础

Guava提供了强大的文件I/O工具类，位于com.google.common.io.Files中。这个工具类封装了Java IO的复杂操作，让文件读写变得异常简单。

文件读取核心方法

Guava的Files类提供了多种读取文件的方式，其中最常用的包括：

// 读取文件为字节数组
byte[] data = Files.toByteArray(new File("document.txt"));

// 按字符集读取文件为字符串
String content = Files.asCharSource(new File("document.txt"), StandardCharsets.UTF_8).read();

// 按行读取文件内容
List<String> lines = Files.readLines(new File("document.txt"), StandardCharsets.UTF_8);

这些方法都可以在guava/src/com/google/common/io/Files.java中找到完整实现。

Word文档处理方案

虽然Guava本身不直接支持.docx格式解析，但我们可以结合以下两种方案实现Word文本提取：

方案一：使用Apache POI+Guava组合

对于.docx文件，我们可以先用Apache POI提取文本内容，再用Guava进行高效处理：

// 使用Apache POI提取Word文本
XWPFDocument doc = new XWPFDocument(new FileInputStream("document.docx"));
XWPFWordExtractor extractor = new XWPFWordExtractor(doc);
String text = extractor.getText();

// 使用Guava处理提取的文本
List<String> paragraphs = Splitter.on("\n").trimResults().omitEmptyStrings().splitToList(text);
List<String> filtered = FluentIterable.from(paragraphs)
    .filter(Predicates.not(StringPredicates.isEmptyOrWhitespace()))
    .transform(Functions.toStringFunction())
    .toList();

// 保存处理结果
Files.asCharSink(new File("extracted.txt"), StandardCharsets.UTF_8).write(Joiner.on("\n").join(filtered));

方案二：将Word转为文本后处理

如果没有复杂的格式需求，可以先将Word文档另存为文本文件，再用Guava处理：

// 读取转换后的文本文件
String content = Files.asCharSource(new File("document.txt"), StandardCharsets.UTF_8).read();

// 使用Guava进行文本分析
int wordCount = Splitter.on(CharMatcher.whitespace()).trimResults().omitEmptyStrings().splitToList(content).size();
String longestLine = Ordering.natural().onResultOf(String::length).max(paragraphs);

// 结果统计
System.out.println("单词数量: " + wordCount);
System.out.println("最长行: " + longestLine);

高效文本处理技巧

Guava提供了丰富的文本处理工具，可以大幅简化Word提取内容的后续处理：

1. 文本分割与过滤

// 按多个分隔符分割文本
Iterable<String> tokens = Splitter.on(CharMatcher.anyOf(" ,;.!?")).split(text);

// 过滤空字符串并转换为大写
List<String> words = FluentIterable.from(tokens)
    .filter(Predicates.not(StringPredicates.isEmptyOrWhitespace()))
    .transform(Strings::toUpper)
    .toList();

2. 字符集处理

处理不同编码的文档时，Guava的字符集工具非常实用：

// 检测文件编码（需要额外依赖）
Charset charset = CharsetDetector.detectCharset(new File("document.txt"));

// 使用检测到的字符集读取文件
String content = Files.asCharSource(new File("document.txt"), charset).read();

3. 文件操作最佳实践

Guava的文件工具类提供了许多便捷方法：

// 创建临时目录
File tempDir = Files.createTempDir();

// 复制文件
Files.copy(new File("source.txt"), new File(tempDir, "destination.txt"));

// 计算文件哈希
HashCode hash = Files.asByteSource(new File("document.txt")).hash(Hashing.sha256());

实际应用案例

下面是一个完整的Word文档处理流程，结合了POI提取和Guava处理：

public class WordProcessor {
    public static void main(String[] args) throws IOException {
        // 1. 提取Word文档内容（使用Apache POI）
        String text = extractWordContent("report.docx");
        
        // 2. 使用Guava处理文本
        List<String> processed = processText(text);
        
        // 3. 保存处理结果
        saveResults(processed, "report_processed.txt");
        
        // 4. 生成统计信息
        Map<String, Integer> stats = generateStats(processed);
        printStats(stats);
    }
    
    private static String extractWordContent(String filename) throws IOException {
        try (XWPFDocument doc = new XWPFDocument(new FileInputStream(filename))) {
            XWPFWordExtractor extractor = new XWPFWordExtractor(doc);
            return extractor.getText();
        }
    }
    
    private static List<String> processText(String text) {
        return FluentIterable.from(Splitter.on("\n").split(text))
            .filter(Predicates.not(StringPredicates.isEmptyOrWhitespace()))
            .transform(line -> line.replaceAll("[^a-zA-Z0-9\\u4e00-\\u9fa5]", " "))
            .transform(Strings::trim)
            .toList();
    }
    
    private static void saveResults(List<String> content, String filename) throws IOException {
        Files.asCharSink(new File(filename), StandardCharsets.UTF_8)
            .write(Joiner.on("\n").join(content));
    }
    
    private static Map<String, Integer> generateStats(List<String> content) {
        Map<String, Integer> stats = Maps.newHashMap();
        stats.put("行数", content.size());
        stats.put("总字符数", content.stream().mapToInt(String::length).sum());
        return stats;
    }
    
    private static void printStats(Map<String, Integer> stats) {
        stats.forEach((key, value) -> System.out.println(key + ": " + value));
    }
}

总结与扩展

通过本文介绍的方法，你可以轻松实现Word文档的文本提取和处理。虽然Guava不直接支持Word格式解析，但它提供的IO工具和集合操作可以极大简化后续的数据处理流程。

进阶方向

1. 大文件处理：使用Files.asCharSource和LineProcessor处理大型文档
2. 文本分析：结合Guava的CharMatcher和Splitter进行复杂文本分析
3. 性能优化：使用ByteStreams和CharStreams实现高效流处理

完整的API文档可以参考Guava官方文档，更多使用示例可在guava-tests/test/com/google/common/io/FilesTest.java中找到。

掌握这些技巧后，你可以轻松应对各种文本处理任务，提高工作效率。现在就尝试用Guava处理你的下一个文档吧！

【免费下载链接】guava Google core libraries for Java 项目地址: https://gitcode.com/GitHub_Trending/gua/guava