Text Extraction

Výběr textu Aspose.Note FOSS pro Python

Aspose.Note FOSS for Python exposes the full text content of every OneNote page through the RichText Každý uzel. RichText obsahuje jak prostý text, tak i přehled. .Text řetězec a .TextRuns Seznam individuálně upravených TextRun Tato stránka dokumentuje každý dostupný vzor extrakce textu.

Vytáhnout všechny prosté texty

Nejrychlejší způsob, jak získat veškerý text z dokumentu je: GetChildNodes(RichText), který provádí rekurzivní průjezd v hloubce po celém DOM:

from aspose.note import Document, RichText

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

Shromážděte se do seznamu a připojte:

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
)

Výběr textu na stránku

Vyčleněný text se uspořádá 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)

Zkontrolovat formátování

RichText.TextRuns je seznam: TextRun Objekty. 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}")

TextStyle Odkaz na vlastnost

Vlastnictví	Typ:	Popis:
`IsBold`	`bool`	Tvrdá textová položka
`IsItalic`	`bool`	Kurzově:
`IsUnderline`	`bool`	Podtržený text
`IsStrikethrough`	`bool`	Procházení textem
`IsSuperscript`	`bool`	Přehled
`IsSubscript`	`bool`	Podpis
`FontName`	`str	None`
`FontSize`	`float	None`
`FontColor`	`int	None`
`Highlight`	`int	None`
`Language`	`int	None`
`IsHyperlink`	`bool`	Zda je tento běh hypertextový odkaz.
`HyperlinkAddress`	`str	None`

Výběr hypertextových odkazů

Hypertextové odkazy jsou uložené na stránkách: TextRun 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}")

Vytáhnout text v tučné a podtržené barvě

Filtr běží formátováním 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}")

Výběr textu z bloků titulů

Název stránky je: RichText uzly uvnitř Title Objekt. Nejsou vráceny nejvyšší úrovní GetChildNodes(RichText) na stránce, pokud nezahrnujete Title Přístup 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)

Výběr textu z tabulek

Buňky tabulky obsahují: RichText Použití v hnízdě. 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)

Původní funkce:

Změnit text

RichText.Replace(old_value, new_value) nahrazuje text v paměti ve všech běžných režimech:

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

Přidání textového spouštění

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

Uložení vyčerpaného textu 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: a) Document prohledává Celá strom včetně všech stránek, obrysů a prvků obvodu. Zavolejte ho na konkrétní Page omezit rozsah.
Vždy se podívej. rt.Text (nebo if rt.Text:) před tiskem, jako prázdná. RichText V některých dokumentech existují uzly.
Na Windows, překonfigurujte sys.stdout na UTF-8 pro vyhnutí se UnicodeEncodeError při tiskání znaků mimo stránku systémového kódu.
TextRun má pouze: Text a) Style V těchto oblastech nejsou žádné Start/End offset vlastnosti; najít text běhu v rámci rodiče RichText.Text, hledat run.Text v rámci: rt.Text ručně.