Aspose.Note FOSS
Python
Przewodnik programisty
Text Extraction

Ekstrakcja tekstu — Aspose.Note FOSS dla Python

Aspose.Note FOSS for Python exposes the full text content of every OneNote page through the RichText węzeł. Każdy RichText zawiera zarówno tekst zwykły .Text ciąg znaków i .TextRuns listę indywidualnie stylowanych TextRun segmentów. Ta strona dokumentuje każdy dostępny wzorzec ekstrakcji tekstu.

Wyodrębnij cały tekst zwykły

Najszybszy sposób na uzyskanie całego tekstu z dokumentu to GetChildNodes(RichText), które wykonuje rekurencyjne przeszukiwanie w głąb całego DOM:

from aspose.note import Document, RichText

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

Zbierz do listy i połącz:

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
)

Wyodrębnij tekst dla każdej strony

Zorganizuj wyodrębniony tekst według tytułu strony:

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)

Zbadaj fragmenty formatowania

RichText.TextRuns jest listą TextRun obiektów. Każde uruchomienie obejmuje ciągły zakres znaków o jednolitym 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}")

Referencja właściwości TextStyle

WłaściwośćTypOpis
IsBoldboolTekst pogrubiony
IsItalicboolTekst kursywny
IsUnderlineboolTekst podkreślony
IsStrikethroughboolTekst przekreślony
IsSuperscriptboolIndeks górny
IsSubscriptboolIndeks dolny
FontName`strNone`
FontSize`floatNone`
FontColor`intNone`
Highlight`intNone`
Language`intNone`
IsHyperlinkboolCzy ten fragment jest hiperłączem
HyperlinkAddress`strNone`

Wyodrębnij hiperłącza

Hiperłącza są przechowywane na TextRun poziomie. Sprawdź 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}")

Wyodrębnij pogrubiony i podświetlony tekst

Filtruj fragmenty według właściwości formatowania, aby wyodrębnić określoną treść:

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}")

Wyodrębnij tekst z bloków tytułowych

Tytuły stron są RichText węzły wewnątrz Title obiektu. Nie są zwracane przez element najwyższego poziomu GetChildNodes(RichText) na stronie, chyba że uwzględnisz Title poddrzewo. Uzyskaj do nich dostęp bezpośrednio:

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)

Wyodrębnij tekst z tabel

Komórki tabeli zawierają RichText dzieci. Użyj zagnieżdżonych GetChildNodes wywołań:

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)

Operacje tekstowe w pamięci

Zastąp tekst

RichText.Replace(old_value, new_value) zastępuje tekst w pamięci we wszystkich uruchomieniach:

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

Dodaj fragment tekstu 

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

Zapisz wyodrębniony tekst do pliku 

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.")

Wskazówki

  • GetChildNodes(RichText) na Document przeszukuje cały drzewo, włączając wszystkie strony, konspekty i elementy konspektu. Wywołaj to na konkretnym Page aby ograniczyć zakres.
  • Zawsze sprawdzaj rt.Text (lub if rt.Text:) przed drukowaniem, jako pusty RichText węzły istnieją w niektórych dokumentach.
  • W systemie Windows, przekonfiguruj sys.stdout na UTF-8, aby uniknąć UnicodeEncodeError przy drukowaniu znaków spoza systemowej strony kodowej.
  • TextRun ma tylko Text i Style pola. Nie ma Start/End właściwości offsetu; aby zlokalizować tekst uruchomienia w ramach rodzica RichText.Text, wyszukaj run.Text w rt.Text ręcznie.

Zobacz także

 Polski