Text Extraction

Pengekstrakan Teks — Aspose.Note FOSS untuk Python

Aspose.Note FOSS for Python exposes the full text content of every OneNote page through the RichText node. Setiap RichText menyimpan kedua-dua plain-text .Text string dan satu .TextRuns senarai segmen yang bergaya secara individu TextRun segmen. Halaman ini mendokumentasikan setiap corak pengekstrakan teks yang tersedia.

Ekstrak Semua Teks Biasa

Cara paling cepat untuk mendapatkan semua teks daripada dokumen ialah GetChildNodes(RichText), yang melakukan penelusuran rekursif secara depth-first merentasi seluruh DOM:

from aspose.note import Document, RichText

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

Kumpulkan ke dalam senarai dan gabungkan:

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
)

Ekstrak Teks Mengikut Halaman

Susun teks yang diekstrak mengikut tajuk halaman:

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)

Periksa Jalur Pemformatan

RichText.TextRuns adalah senarai TextRun objek. Setiap run meliputi julat berterusan aksara dengan seragam 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}")

Rujukan Sifat TextStyle

Sifat	Jenis	Keterangan
`IsBold`	`bool`	Teks tebal
`IsItalic`	`bool`	Teks condong
`IsUnderline`	`bool`	Teks bergaris bawah
`IsStrikethrough`	`bool`	Teks coret
`IsSuperscript`	`bool`	Superskrip
`IsSubscript`	`bool`	Subskrip
`FontName`	`str	None`
`FontSize`	`float	None`
`FontColor`	`int	None`
`Highlight`	`int	None`
`Language`	`int	None`
`IsHyperlink`	`bool`	Sama ada run ini merupakan pautan hiper
`HyperlinkAddress`	`str	None`

Ekstrak Pautan Hiper

Pautan hiper disimpan pada TextRun tahap. Semak 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}")

Ekstrak Teks Tebal dan Disorot

Tapis jalur mengikut sifat pemformatan untuk mengasingkan kandungan tertentu:

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}")

Ekstrak Teks daripada Blok Tajuk

Tajuk halaman adalah RichText nod dalam Title objek. Mereka tidak dikembalikan oleh peringkat atas GetChildNodes(RichText) pada halaman melainkan anda menyertakan Title subpokok. Akses mereka secara langsung:

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)

Ekstrak Teks daripada Jadual

Sel jadual mengandungi RichText anak. Gunakan bersarang GetChildNodes panggilan:

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)

Operasi Teks Dalam Memori

Ganti teks

RichText.Replace(old_value, new_value) menggantikan teks dalam memori merentasi semua pelaksanaan:

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

Tambah satu run teks

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

Simpan Teks yang Dikeluarkan ke Fail

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.")

Petua

GetChildNodes(RichText) pada satu Document mencari seluruh pokok termasuk semua halaman, rangka, dan elemen rangka. Panggil ia pada sesuatu yang khusus Page untuk mengehadkan skop.
Sentiasa semak rt.Text (atau if rt.Text:) sebelum mencetak, kerana nod kosong wujud dalam beberapa dokumen. RichText nod wujud dalam beberapa dokumen.
Pada Windows, konfigurasikan semula sys.stdout kepada UTF-8 untuk mengelakkan UnicodeEncodeError apabila mencetak aksara di luar halaman kod sistem.
TextRun hanya mempunyai Text dan Style medan. Tiada Start/End sifat offset; untuk mencari teks run dalam induk RichText.Text, cari run.Text dalam rt.Text secara manual.