Text Extraction

Szövegkinyerés — Aspose.Note FOSS a Python számára

Aspose.Note FOSS for Python exposes the full text content of every OneNote page through the RichText csomópont. Minden RichText mind egy egyszerű szöveget .Text karakterláncot és egy .TextRuns listát az egyenként formázott TextRun szegmenseket. Ez az oldal dokumentálja az összes elérhető szövegkinyerési mintát.

Az összes egyszerű szöveg kinyerése

A leggyorsabb módja, hogy egy dokumentumból az összes szöveget kinyerjük, az GetChildNodes(RichText), amely rekurzív mélységi bejárást hajt végre az egész DOM-on:

from aspose.note import Document, RichText

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

Gyűjtsd listába és fűzd össze:

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
)

Szöveg kinyerése oldalanként

Rendezd a kinyert szöveget oldalcím szerint:

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)

Formázási szegmensek ellenőrzése

RichText.TextRuns egy lista a TextRun objektumok. Minden futás egy folytonos karaktertartományt fed le egységes 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 tulajdonságreferencia

Tulajdonság	Típus	Leírás
`IsBold`	`bool`	Félkövér szöveg
`IsItalic`	`bool`	Dőlt szöveg
`IsUnderline`	`bool`	Aláhúzott szöveg
`IsStrikethrough`	`bool`	Áthúzott szöveg
`IsSuperscript`	`bool`	Felső index
`IsSubscript`	`bool`	Alsó index
`FontName`	`str	None`
`FontSize`	`float	None`
`FontColor`	`int	None`
`Highlight`	`int	None`
`Language`	`int	None`
`IsHyperlink`	`bool`	Az, hogy ez a futás hiperhivatkozás-e
`HyperlinkAddress`	`str	None`

Hiperhivatkozások kinyerése

A hiperhivatkozások a TextRun szinten tárolódnak. Ellenőrizze 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}")

Félkövér és kiemelt szöveg kinyerése

Szűrd a futamokat a formázási tulajdonságok alapján, hogy elkülönítsd a specifikus tartalmat:

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}")

Szöveg kinyerése címblokkból

Az oldalcímek RichText csomópontok a Title objektumban. Ezek nem kerülnek visszaadásra egy felső szintű GetChildNodes(RichText) oldalon, hacsak nem tartalmazza a Title alkövet. Hozzáférhet közvetlenül:

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)

Szöveg kinyerése táblázatokból

A táblázatcellák tartalmazzák RichText gyermekeket. Használjon beágyazott GetChildNodes hívásokat:

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)

Memóriában végzett szövegműveletek

Szöveg cseréje

RichText.Replace(old_value, new_value) helyettesíti a szöveget memóriában minden futtatás során:

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

Szövegrész hozzáfűzése

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

Kinyert szöveg mentése fájlba

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.")

Tippek

GetChildNodes(RichText) egy Document keresi a teljes fa, amely tartalmazza az összes oldalt, vázlatot és vázlat elemet. Hívja meg egy adott Page a hatókör korlátozásához.
Mindig ellenőrizze rt.Text (vagy if rt.Text:) RichText csomópontok léteznek egyes dokumentumokban.
Windows rendszeren állítsa be újra sys.stdout UTF-8-ra, hogy elkerülje UnicodeEncodeError a rendszer kódlapján kívül eső karakterek nyomtatásakor.
TextRun csak Text és Style mezőket. Nincsenek Start/End eltolás tulajdonságok; a futás szövegének megtalálásához a szülőben RichText.Text, keresse meg a run.Text belül rt.Text manuálisan.