手把手帮你视频转文本（3-导出word）

你好，这是系列文章的最后一篇，我们将实现把文本记录导出到一个格式规整的word文档中，方便阅读和分享。同样，相关代码均在gitee开源（gitee.com/coolpine/th…

整体架构

本篇处于整体转换流程中第三步，具体如下图所示：

docx文档格式简介

首先，为你大致介绍下docx文档格式。docx其实是一个压缩格式文件，手工将后缀修改为zip后，即可查看具体内容。通常主要的内容结构都在解压后的word/document.xml 文件中。

例如，下图是一个最简单的word文档，正文只有“你好”两个字：

将该文档后缀修改为.zip后，会看到word/document.xml的主要内容如下

<?xml version="1.0" encoding="UTF-8" standalone="yes"?>
<w:document
    xmlns:mc="http://schemas.openxmlformats.org/markup-compatibility/2006"
    xmlns:w="http://schemas.openxmlformats.org/wordprocessingml/2006/main"
    xmlns:w14="http://schemas.microsoft.com/office/word/2010/wordml"
    mc:Ignorable="w14 w15 w16se w16cid w16 w16cex wp14">
    <w:body>
        <w:p >
            <w:r>
                <w:rPr>
                    <w:rFonts w:hint=""/>
                </w:rPr>
                <w:t>你好</w:t>
            </w:r>
        </w:p>
    </w:body>
</w:document>

从上面文件可以大致看出word文档基本构造：

• <w:p>是段落

• <w:r>是段落中的行

• <w:rPr>是行样式信息

• <w:t>是文本内容

docx4j库的基本逻辑是将上述xml的内容，转换为对应的java对象及方法，实现文档生成、编辑等功能。

docx4j文档操作

接下来基于docx4j库，实现word文档操作。

首先，引入docx4j依赖：

<groupId>org.docx4j</groupId>
<artifactId>docx4j-JAXB-ReferenceImpl</artifactId>
<version>8.1.6</version>

首先，我们要将每个视频文件的转录后文本记录，生成如下模式的表格：

对应表格的处理逻辑是：

// 创建表头
Tbl tbl = Context.getWmlObjectFactory().createTbl();
//设置表格基本样式，包括边框等
String strTblPr = "<w:tblPr "
        + Namespaces.W_NAMESPACE_DECLARATION
        + ">"
        + "<w:tblStyle w:val=\"TableGrid\"/>"
        + "<w:tblW w:w=\"0\" w:type=\"auto\"/>"
        + "<w:tblLook w:val=\"04A0\"/>"
        + "</w:tblPr>";
try {
    TblPr tblPr = (TblPr) XmlUtils.unmarshalString(strTblPr);
    tbl.setTblPr(tblPr);
} catch (JAXBException e) {
    log.error("基于XML解析生成TblPr出错", e);
}

// 设置标题行
Tr hearTr = Context.getWmlObjectFactory().createTr();
tbl.getContent().add(hearTr);
geneTblHearderCell(hearTr, "D9D9D9", 2629, docPart.createParagraphOfText("时间"));
geneTblHearderCell(hearTr, "D9D9D9", 5667, docPart.createParagraphOfText("内容"));

// 设置内容行
taskResultRepo.findByTaskIdEqualsOrderByBeginTimeAsc(taskId).forEach(result -> {
    Tr tr = Context.getWmlObjectFactory().createTr();
    tbl.getContent().add(tr);

    //创建第一个单元格
    Tc tc1 = Context.getWmlObjectFactory().createTc();
    tc1.getContent().add(docPart.createParagraphOfText(formatSecond(result.getBeginTime())));

    //创建第二个单元格
    Tc tc2 = Context.getWmlObjectFactory().createTc();
    tc2.getContent().add(docPart.createParagraphOfText(result.getWords()));

    //将单元格加入到表格中
    tr.getContent().addAll(Arrays.asList(tc1, tc2));
});
//将表格加入到文档中
docPart.getContent().add(tbl);
//增加分页符
docPart.getContent().add(createNextPage());

有一点特别提醒下，建议尽量不要使用XmlUtils.unmarshalString来生成对象，本项目除了上述创建表头TblPr外，所有其他结构，均是采用java对象来构建。原因是直接基于xml解析，很容易出现命名空间等相关错误。

docx4j还支持将图片插入到文档中，例如：

//将图片写入到word文档中
Inline inline = null;
try {
    BinaryPartAbstractImage imagePart = BinaryPartAbstractImage.createImagePart(wordPackage,
            Files.readAllBytes(Paths.get("doc\\thomas-gitee.png")));
    inline = imagePart.createImageInline("开源项目", "图片", 1, 2, false);
} catch (Exception e) {
    log.error("创建图片对象出现异常", e);
}

ObjectFactory factory = Context.getWmlObjectFactory();
P p = factory.createP();
R r = factory.createR();
p.getContent().add(r);
Drawing drawing = factory.createDrawing();
r.getContent().add(drawing);
drawing.getAnchorOrInline().add(inline);

以下是设置标题及章节，分别将内容样式设置为Title和Heading1即可：

//设置文档标题
mainDocumentPart.addStyledParagraphOfText("Title", THOMAS_DOCX_NAME);
//取出第一行，作为章节名称
mainDocumentPart.addStyledParagraphOfText("Heading1", taskInfo.getTaskName());

生成目录也很简单：

//生成目录，该段内容要放到最后面
Toc.setTocHeadingText("目录");
TocGenerator tocGenerator = new TocGenerator(wordPackage);
tocGenerator.generateToc(5, " TOC \\o \"1-3\" \\h \\z \\u ", true);

需要提醒的是，generateToc方法中的第一个参数是将目录插入到文档中的位置，上述代码是将目录插入到第五个位置。

文档结构组装完成后，直接调用WordprocessingMLPackage的save方法即可保存文档。

最后

至此，我们终于完成将MP4视频中的对话转化为文字，并输出为一个故事集word文档中，过程中如有错漏之处，敬请反馈，谢谢。

本系列采用“托马斯和朋友”动画视频作为素材，起源是孩子们特别喜欢该动画节目，为了更好的给孩子们讲托马斯主题睡前故事，一时兴起实现了这些功能，希望对你也有帮助。