Java代码实现统计Word文档中的单词数量

在现实开发中，统计Word文档的单词数量是个挺常见的需求。比如算稿费、控制文章篇幅，或者分析文本信息量，都需要一个靠谱的办法来获取文档的总单词数。本文将围绕如何用Ja va语言，借助Spire.Doc for Ja va这个库，来实现这方面的统计功能。

一、环境准备

动手编码之前，得先在Ja va项目里把Spire.Doc for Ja va库引进来。如果项目用的是Ma ven管理依赖，可以在pom.xml里配置如下内容：

    
        com.e-iceblue
        e-iceblue
        https://repo.e-iceblue.com/nexus/content/groups/public/
    


    
        e-iceblue
        spire.doc
        14.4.9
    

要是项目没使用Ma ven，那就手动下载JAR文件，把它加到项目的classpath里去。

二、单词统计的基本思路

Word文档里的内容是有结构的：文档包含多个节（Section），节下面有多个段落（Paragraph），段落里又有多个文本区域（TextRange）或者其他元素。所以统计单词数，就得老老实实遍历文档中所有文本，按空格、标点这些分隔符来做分词计算。

这里要留个心：中文和英文的单词边界判断逻辑不一样。英文一般靠空格或标点来分词，中文则是每个汉字算一个独立字符单位。本文主要围绕英文单词的统计规则来讲。

三、基础统计示例

下面这个例子展示了怎么遍历整个Word文档，把文本内容全提取出来，然后计算单词数量。

import com.spire.doc.Document;

public class WordCountExample {
    public static void main(String[] args) {
        // 加载 Word 文档
        Document doc = new Document();
        doc.loadFromFile("SampleDocument.docx");

        // 获取文档中的文本内容
        String text = doc.getText();

        // 统计单词数量
        int wordCount = countWords(text);

        System.out.println("文档中的单词数量: " + wordCount);

        doc.close();
    }

    /**
     * 统计文本中的单词数量（针对英文）
     * @param text 输入文本
     * @return 单词数量
     */
    private static int countWords(String text) {
        if (text == null || text.trim().isEmpty()) {
            return 0;
        }
        // 按空格、换行、标点符号等分隔符进行拆分
        String[] words = text.trim().split("[\s\p{Punct}]+");
        return words.length;
    }
}

这段代码里，doc.getText()方法能返回文档里所有的文字，包括段落、表格单元格、页眉页脚这些地方的。然后再用正则[\s\p{Punct}]+来分词，数出单词数。

四、逐段落统计

有些场景下，需要分别统计每个段落的单词数。下面的代码展示了如何遍历每个段落，并输出它的单词量。

import com.spire.doc.Document;
import com.spire.doc.documents.Paragraph;

public class ParagraphWordCountExample {
    public static void main(String[] args) {
        Document doc = new Document();
        doc.loadFromFile("SampleDocument.docx");

        int totalWordCount = 0;
        int paragraphIndex = 1;

        // 遍历文档中的所有段落
        for (Object obj : doc.getSections()) {
            com.spire.doc.Section section = (com.spire.doc.Section) obj;
            for (Object paraObj : section.getParagraphs()) {
                Paragraph paragraph = (Paragraph) paraObj;
                String text = paragraph.getText();
                int wordCount = countWords(text);
                totalWordCount += wordCount;
                System.out.println("段落 " + paragraphIndex + " 单词数: " + wordCount);
                paragraphIndex++;
            }
        }

        System.out.println("文档总单词数: " + totalWordCount);
        doc.close();
    }

    private static int countWords(String text) {
        if (text == null || text.trim().isEmpty()) {
            return 0;
        }
        String[] words = text.trim().split("[\s\p{Punct}]+");
        return words.length;
    }
}

五、处理表格中的文字

Word文档的表格里也常带着需要统计的文字。要是只遍历段落，表格里的内容就漏了。下面这个例子展示了怎么同时统计段落和表格里的单词数。

import com.spire.doc.Document;
import com.spire.doc.Table;
import com.spire.doc.documents.Paragraph;

public class FullWordCountExample {
    public static void main(String[] args) {
        Document doc = new Document();
        doc.loadFromFile("DocumentWithTable.docx");

        int totalWordCount = 0;

        // 统计段落中的单词
        for (Object obj : doc.getSections()) {
            com.spire.doc.Section section = (com.spire.doc.Section) obj;
            for (Object paraObj : section.getParagraphs()) {
                Paragraph paragraph = (Paragraph) paraObj;
                totalWordCount += countWords(paragraph.getText());
            }
        }

        // 统计表格中的单词
        for (Object tableObj : doc.getTables()) {
            Table table = (Table) tableObj;
            for (Object rowObj : table.getRows()) {
                com.spire.doc.TableRow row = (com.spire.doc.TableRow) rowObj;
                for (Object cellObj : row.getCells()) {
                    com.spire.doc.TableCell cell = (com.spire.doc.TableCell) cellObj;
                    for (Object paraObj : cell.getParagraphs()) {
                        Paragraph paragraph = (Paragraph) paraObj;
                        totalWordCount += countWords(paragraph.getText());
                    }
                }
            }
        }

        System.out.println("文档总单词数（包含表格）: " + totalWordCount);
        doc.close();
    }

    private static int countWords(String text) {
        if (text == null || text.trim().isEmpty()) {
            return 0;
        }
        String[] words = text.trim().split("[\s\p{Punct}]+");
        return words.length;
    }
}

六、统计特定节（Section）的单词数

有的文档分了多个节，比如分章节的书，可能需要单独统计某个节的单词数。下面这个例子展示了怎么统计第一个节里的单词。

import com.spire.doc.Document;
import com.spire.doc.Section;

public class SectionWordCountExample {
    public static void main(String[] args) {
        Document doc = new Document();
        doc.loadFromFile("MultiSectionDocument.docx");

        // 获取第一个节
        Section firstSection = doc.getSections().get(0);
        
        String sectionText = firstSection.getText();
        int wordCount = countWords(sectionText);
        
        System.out.println("第一节的单词数量: " + wordCount);
        
        doc.close();
    }

    private static int countWords(String text) {
        if (text == null || text.trim().isEmpty()) {
            return 0;
        }
        String[] words = text.trim().split("[\s\p{Punct}]+");
        return words.length;
    }
}

七、中文与混合文本的处理

遇到中文文档或者中英文混排的情况，单词统计规则就得调整一下了。中文通常是按字符数来算，而不是单词。下面这个例子展示了怎么同时统计中文字符数和英文单词数。

public class MixedLanguageCountExample {
    
    public static void main(String[] args) {
        Document doc = new Document();
        doc.loadFromFile("MixedLanguageDocument.docx");
        
        String text = doc.getText();
        
        int englishWordCount = countEnglishWords(text);
        int chineseCharCount = countChineseCharacters(text);
        
        System.out.println("英文单词数: " + englishWordCount);
        System.out.println("中文字符数: " + chineseCharCount);
        
        doc.close();
    }
    
    private static int countEnglishWords(String text) {
        if (text == null || text.trim().isEmpty()) {
            return 0;
        }
        // 匹配英文单词（字母序列）
        String[] words = text.split("[^a-zA-Z]+");
        int count = 0;
        for (String w : words) {
            if (!w.isEmpty()) {
                count++;
            }
        }
        return count;
    }
    
    private static int countChineseCharacters(String text) {
        if (text == null) {
            return 0;
        }
        int count = 0;
        for (char c : text.toCharArray()) {
            // 判断是否为中文字符（Unicode 范围：4E00-9FFF）
            if (c >= 0x4E00 && c <= 0x9FFF) {
                count++;
            }
        }
        return count;
    }
}

八、注意事项

在用文档单词统计功能的时候，有几个小细节值得关注：

• 格式特殊字符：getText()返回的文本里，可能夹杂着Word的特殊控制字符（比如分页符、段落标记等）。这些字符本身不会计入单词数，但可能会影响正则匹配的结果。
• 连字符与缩写：英文里的连字符组合词（比如state-of-the-art）和缩写（比如don't），用当前简单的分词规则可能会被拆成多个单词。如果想更精确，可以考虑用更复杂的自然语言处理库。
• 数字与符号：在目前的规则里，数字也被当作单词的一部分，比如2024就算一个单词。如果需要排除数字，可以调整正则表达式。
• 性能考虑：文档特别长（比如几百页以上）时，getText()方法会返回很大的字符串，可能占不少内存。逐段落或者逐元素统计，是更省内存的做法。

总结

通过上面几个例子可以看出，用Ja va统计Word文档的单词数，核心步骤就是加载文档、提取文本、再分词统计。根据不同的业务需求，可以选全局统计、逐段落统计、带上表格内容的统计，或者针对中英文混排做分类统计。这些方法基本能覆盖日常开发里处理Word文档字数统计的大部分场景。

不过也得注意，分词规则的精确度直接影响到统计结果。如果用在正式出版、稿费计算这种对精度要求比较高的场景，建议根据实际文本特征对分词规则做些调整。另外，如果是要批量处理多个文档或者定时执行统计任务，可以把这些逻辑封装成可复用的工具方法，方便集成到更大的系统里。