Text Extraction

Extrahování textu — Aspose.Note FOSS pro Python

Aspose.Note FOSS for Python exposes the full text content of every OneNote page through the RichText uzel. Každý RichText obsahuje jak prostý text .Text řetězec a .TextRuns seznam jednotlivě stylovaných TextRun segmentů. Tato stránka dokumentuje všechny dostupné vzory extrakce textu.

Extrahovat veškerý prostý text

Nejrychlejší způsob, jak získat celý text z dokumentu, je GetChildNodes(RichText), který provádí rekurzivní průchod do hloubky napříč celým DOM:

from aspose.note import Document, RichText

doc = Document("MyNotes.one")
for rt in doc.GetChildNodes(RichText):
    if rt.Text:
        print(rt.Text)

Shromážděte do seznamu a spojte:

from aspose.note import Document, RichText

doc = Document("MyNotes.one")
all_text = "\n".join(
    rt.Text for rt in doc.GetChildNodes(RichText) if rt.Text
)

Extrahovat text po stránkách

Uspořádejte extrahovaný text podle názvu stránky:

from aspose.note import Document, Page, RichText

doc = Document("MyNotes.one")
for page in doc.GetChildNodes(Page):
    title = (
        page.Title.TitleText.Text
        if page.Title and page.Title.TitleText
        else "(untitled)"
    )
    print(f"\n=== {title} ===")
    for rt in page.GetChildNodes(RichText):
        if rt.Text:
            print(rt.Text)

Prozkoumat formátovací úseky

RichText.TextRuns je seznam TextRun objektů. Každý běh pokrývá souvislý rozsah znaků s jednotným TextStyle:

from aspose.note import Document, RichText

doc = Document("MyNotes.one")
for rt in doc.GetChildNodes(RichText):
    for run in rt.TextRuns:
        style = run.Style
        parts = []
        if style.IsBold:          parts.append("bold")
        if style.IsItalic:        parts.append("italic")
        if style.IsUnderline:     parts.append("underline")
        if style.IsStrikethrough: parts.append("strikethrough")
        if style.IsSuperscript:   parts.append("superscript")
        if style.IsSubscript:     parts.append("subscript")
        if style.FontName:      parts.append(f"font={style.FontName!r}")
        if style.FontSize:      parts.append(f"size={style.FontSize}pt")
        label = ", ".join(parts) if parts else "plain"
        print(f"[{label}] {run.Text!r}")

Reference vlastnosti TextStyle

Vlastnost	Typ	Popis
`IsBold`	`bool`	Tučný text
`IsItalic`	`bool`	Kurzívní text
`IsUnderline`	`bool`	Podtržený text
`IsStrikethrough`	`bool`	Přeškrtnutý text
`IsSuperscript`	`bool`	Horní index
`IsSubscript`	`bool`	Dolní index
`FontName`	`str	None`
`FontSize`	`float	None`
`FontColor`	`int	None`
`Highlight`	`int	None`
`Language`	`int	None`
`IsHyperlink`	`bool`	Zda je tento úsek hyperodkazem
`HyperlinkAddress`	`str	None`

Extrahovat hypertextové odkazy

Hyperlinky jsou uloženy na TextRun úrovni. Zkontrolujte Style.IsHyperlink:

from aspose.note import Document, RichText

doc = Document("MyNotes.one")
for rt in doc.GetChildNodes(RichText):
    for run in rt.TextRuns:
        if run.Style.IsHyperlink and run.Style.HyperlinkAddress:
            print(f"  {run.Text!r:40s} -> {run.Style.HyperlinkAddress}")

Extrahovat tučný a zvýrazněný text

Filtrovat úseky podle formátovacích vlastností pro izolaci konkrétního obsahu:

from aspose.note import Document, RichText

doc = Document("MyNotes.one")
print("=== Bold segments ===")
for rt in doc.GetChildNodes(RichText):
    for run in rt.TextRuns:
        if run.Style.IsBold and run.Text.strip():
            print(f"  {run.Text.strip()!r}")

print("\n=== Highlighted segments ===")
for rt in doc.GetChildNodes(RichText):
    for run in rt.TextRuns:
        if run.Style.Highlight is not None and run.Text.strip():
            color = f"#{run.Style.Highlight & 0xFFFFFF:06X}"
            print(f"  [{color}] {run.Text.strip()!r}")

Extrahovat text z bloků titulku

Názvy stránek jsou RichText uzly uvnitř Title objektu. Nejsou vráceny na nejvyšší úrovni GetChildNodes(RichText) na stránce, pokud nezahrnete Title podstrom. Přistupujte k nim přímo:

from aspose.note import Document, Page

doc = Document("MyNotes.one")
for page in doc.GetChildNodes(Page):
    if page.Title:
        if page.Title.TitleText:
            print("Title text:", page.Title.TitleText.Text)
        if page.Title.TitleDate:
            print("Title date:", page.Title.TitleDate.Text)
        if page.Title.TitleTime:
            print("Title time:", page.Title.TitleTime.Text)

Extrahovat text z tabulek

Buňky tabulky obsahují RichText potomky. Použijte vnořené GetChildNodes volání:

from aspose.note import Document, Table, TableRow, TableCell, RichText

doc = Document("MyNotes.one")
for table in doc.GetChildNodes(Table):
    for row in table.GetChildNodes(TableRow):
        row_values = []
        for cell in row.GetChildNodes(TableCell):
            cell_text = " ".join(
                rt.Text for rt in cell.GetChildNodes(RichText)
            ).strip()
            row_values.append(cell_text)
        print(row_values)

Operace s textem v paměti

Nahradit text

RichText.Replace(old_value, new_value) nahrazuje text v paměti napříč všemi běhy:

from aspose.note import Document, RichText

doc = Document("MyNotes.one")
for rt in doc.GetChildNodes(RichText):
    rt.Replace("TODO", "DONE")
##Changes are in-memory only; saving back to .one is not supported

Přidat textový běh

from aspose.note import Document, RichText, TextStyle

doc = Document("MyNotes.one")
for rt in doc.GetChildNodes(RichText):
    rt.Append(" [reviewed]")  # appends with default style
    break  # just the first node in this example

Uložit extrahovaný text do souboru

import sys
from aspose.note import Document, RichText

if hasattr(sys.stdout, "reconfigure"):
    sys.stdout.reconfigure(encoding="utf-8", errors="replace")

doc = Document("MyNotes.one")
lines = [rt.Text for rt in doc.GetChildNodes(RichText) if rt.Text]

with open("extracted.txt", "w", encoding="utf-8") as f:
    f.write("\n".join(lines))

print(f"Extracted {len(lines)} text blocks.")

Tipy

GetChildNodes(RichText) na Document prohledává celý strom zahrnující všechny stránky, osnovy a prvky osnovy. Zavolejte jej na konkrétním Page pro omezení rozsahu.
Vždy zkontrolujte rt.Text (nebo if rt.Text:) RichText uzly existují v některých dokumentech.
Ve Windows přenastavte sys.stdout na UTF-8, abyste se vyhnuli UnicodeEncodeError při tisku znaků mimo systémovou kódovou stránku.
TextRun má pouze Text a Style pole. Neexistují žádné Start/End offsetové vlastnosti; pro nalezení textu běhu v rámci nadřazeného RichText.Text, vyhledejte run.Text v rámci rt.Text ručně.