Aspose.Note FOSS
Python
開発者ガイド
Text Extraction

テキスト抽出 — Aspose.Note FOSS for Python

Aspose.Note FOSS for Python exposes the full text content of every OneNote page through the RichText ノード。各 RichText はプレーンテキストと .Text 文字列と .TextRuns 個別にスタイル付けされたリスト TextRun セグメント。このページでは、利用可能なすべてのテキスト抽出パターンを文書化しています。.

すべてのプレーンテキストを抽出

ドキュメントからすべてのテキストを取得する最速の方法は GetChildNodes(RichText),、これは全DOMに対して再帰的な深さ優先トラバーサルを実行します:

from aspose.note import Document, RichText

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

リストに収集して結合します:

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
)

ページごとにテキストを抽出

抽出したテキストをページタイトルで整理します:

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)

書式ランを検査

RichText.TextRuns はリストです TextRun オブジェクトです。各ランは、一様な 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 プロパティリファレンス

プロパティタイプ説明
IsBoldbool太字テキスト
IsItalicbool斜体テキスト
IsUnderlinebool下線付きテキスト
IsStrikethroughbool取り消し線テキスト
IsSuperscriptbool上付き文字
IsSubscriptbool下付き文字
FontName`strNone`
FontSize`floatNone`
FontColor`intNone`
Highlight`intNone`
Language`intNone`
IsHyperlinkboolこのランがハイパーリンクかどうか
HyperlinkAddress`strNone`

ハイパーリンクを抽出

ハイパーリンクは TextRun レベルです。確認してください 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}")

太字およびハイライトされたテキストを抽出

書式プロパティでランをフィルタリングし、特定のコンテンツを抽出します:

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}")

タイトルブロックからテキストを抽出

ページタイトルは RichText ノードは Title オブジェクトです。トップレベルでは返されません GetChildNodes(RichText) ページ上では、次を含めない限り Title サブツリーです。直接アクセスしてください:

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)

テーブルからテキストを抽出

テーブルセルは含む RichText 子要素。ネストされた GetChildNodes 呼び出し:

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)

メモリ内テキスト操作

テキストの置換

RichText.Replace(old_value, new_value) すべての実行でメモリ内のテキストを置換します:

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

テキストランを追加する 

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

抽出したテキストをファイルに保存する 

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.")

ヒント

  • GetChildNodes(RichText) 上で Document 検索します 全体の ツリー全体（すべてのページ、アウトライン、アウトライン要素を含む）。特定の Page 範囲を限定するために。.
  • 常に確認してください rt.Text (または if rt.Text:) 印刷する前に、空として RichText ノードは一部のドキュメントに存在します。.
  • Windows では、再構成してください sys.stdout UTF-8 に設定して、回避する UnicodeEncodeError システムコードページ外の文字を印刷する際に。.
  • TextRun はのみ Text と Style フィールドです。ありません Start/End オフセットプロパティはありません。ランのテキストを親内で位置特定するには RichText.Text,、検索してください run.Text 内で rt.Text 手動で.

関連項目

 日本語