Text Extraction

Extração de Texto — Aspose.Note FOSS para Python

Aspose.Note FOSS for Python exposes the full text content of every OneNote page through the RichText nó. Cada RichText contém tanto um texto simples .Text string e um .TextRuns lista de trechos individualmente estilizados TextRun segmentos. Esta página documenta todos os padrões de extração de texto disponíveis.

Extrair Todo o Texto Simples

A maneira mais rápida de obter todo o texto de um documento é GetChildNodes(RichText), que realiza uma travessia recursiva em profundidade de todo o DOM:

from aspose.note import Document, RichText

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

Colete em uma lista e una:

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
)

Extrair Texto Por Página

Organize o texto extraído por título da página:

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)

Inspecionar Execuções de Formatação

RichText.TextRuns é uma lista de TextRun objetos. Cada execução cobre um intervalo contíguo de caracteres com um estilo uniforme 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}")

Referência da Propriedade TextStyle

Propriedade	Tipo	Descrição
`IsBold`	`bool`	Texto em negrito
`IsItalic`	`bool`	Texto em itálico
`IsUnderline`	`bool`	Texto sublinhado
`IsStrikethrough`	`bool`	Texto tachado
`IsSuperscript`	`bool`	Sobrescrito
`IsSubscript`	`bool`	Subscrito
`FontName`	`str	None`
`FontSize`	`float	None`
`FontColor`	`int	None`
`Highlight`	`int	None`
`Language`	`int	None`
`IsHyperlink`	`bool`	Se este trecho é um hyperlink
`HyperlinkAddress`	`str	None`

Extrair Hiperlinks

Os hyperlinks são armazenados no TextRun nível. Verifique 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}")

Extrair Texto em Negrito e Realçado

Filtre as execuções por propriedades de formatação para isolar conteúdo específico:

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}")

Extrair Texto de Blocos de Título

Os títulos das páginas são RichText nós dentro do Title objeto. Eles não são retornados por um nível superior GetChildNodes(RichText) na página, a menos que você inclua o Title subárvore. Acesse-os diretamente:

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)

Extrair Texto de Tabelas

As células da tabela contêm RichText filhos. Use aninhado GetChildNodes chamadas:

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)

Operações de Texto em Memória

Substituir texto

RichText.Replace(old_value, new_value) substitui texto em memória em todas as execuções:

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

Adicionar uma run de texto

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

Salvar Texto Extraído em Arquivo

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.")

Dicas

GetChildNodes(RichText) em um Document pesquisa o todo árvore incluindo todas as páginas, esboços e elementos de esboço. Chame-o em um específico Page para limitar o escopo.
Sempre verifique rt.Text (ou if rt.Text:) antes de imprimir, como vazio RichText nodes existem em alguns documentos.
No Windows, reconfigure sys.stdout para UTF-8 para evitar UnicodeEncodeError ao imprimir caracteres fora da página de códigos do sistema.
TextRun tem apenas Text e Style campos. Não há Start/End propriedades de offset; para localizar o texto de um run dentro do pai RichText.Text, procure por run.Text dentro de rt.Text manualmente.