Text Extraction

Estrazione del testo — Aspose.Note FOSS per Python

Aspose.Note FOSS for Python exposes the full text content of every OneNote page through the RichText nodo. Ogni RichText contiene sia un testo semplice .Text stringa e un .TextRuns lista di segmenti stilizzati individualmente TextRun segmenti. Questa pagina documenta tutti i modelli di estrazione del testo disponibili.

Estrai tutto il testo semplice

Il modo più veloce per ottenere tutto il testo da un documento è GetChildNodes(RichText), che esegue un attraversamento ricorsivo in profondità dell’intero DOM:

from aspose.note import Document, RichText

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

Raccogli in una lista e unisci:

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
)

Estrai il testo per pagina

Organizza il testo estratto per titolo della pagina:

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)

Ispeziona le sequenze di formattazione

RichText.TextRuns è un elenco di TextRun oggetti. Ogni intervallo copre una sequenza contigua di caratteri con una 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}")

Riferimento alle proprietà di TextStyle

Proprietà	Tipo	Descrizione
`IsBold`	`bool`	Testo in grassetto
`IsItalic`	`bool`	Testo in corsivo
`IsUnderline`	`bool`	Testo sottolineato
`IsStrikethrough`	`bool`	Testo barrato
`IsSuperscript`	`bool`	Apice
`IsSubscript`	`bool`	Pedice
`FontName`	`str	None`
`FontSize`	`float	None`
`FontColor`	`int	None`
`Highlight`	`int	None`
`Language`	`int	None`
`IsHyperlink`	`bool`	Indica se questa sequenza è un collegamento ipertestuale
`HyperlinkAddress`	`str	None`

Estrai i collegamenti ipertestuali

I collegamenti ipertestuali sono memorizzati al TextRun livello. Controlla 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}")

Estrai il testo in grassetto e evidenziato

Filtra le sequenze per proprietà di formattazione per isolare contenuti specifici:

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}")

Estrai il testo dai blocchi del titolo

I titoli delle pagine sono RichText nodi all’interno del Title oggetto. Non vengono restituiti da un livello superiore GetChildNodes(RichText) sulla pagina a meno che non includa il Title sottoalbero. Accedili direttamente:

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)

Estrai il testo dalle tabelle

Le celle della tabella contengono RichText elementi figli. Usa nidificati GetChildNodes chiamate:

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)

Operazioni di testo in memoria

Sostituisci testo

RichText.Replace(old_value, new_value) sostituisce il testo in memoria in tutte le esecuzioni:

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

Aggiungi un run di testo

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

Salva il testo estratto su file

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.")

Suggerimenti

GetChildNodes(RichText) su un Document cerca il intero albero includendo tutte le pagine, gli outline e gli elementi di outline. Richiamalo su uno specifico Page per limitare l’ambito.
Controlla sempre rt.Text (o if rt.Text:) RichText nodi esistono in alcuni documenti.
Su Windows, riconfigura sys.stdout a UTF-8 per evitare UnicodeEncodeError durante la stampa di caratteri al di fuori della pagina di codice del sistema.
TextRun ha solo Text e Style campi. Non ci sono Start/End proprietà di offset; per individuare il testo di un run all’interno del genitore RichText.Text, cerca run.Text all’interno di rt.Text manualmente.