Aspose.Note FOSS
Python
Руководство разработчика
Text Extraction

Извлечение текста — Aspose.Note FOSS для Python

Aspose.Note FOSS for Python exposes the full text content of every OneNote page through the RichText узел. Каждый RichText содержит как plain-text .Text строку и .TextRuns список индивидуально стилизованных TextRun сегментов. Эта страница документирует каждый доступный шаблон извлечения текста.

Извлечь весь простой текст

Самый быстрый способ получить весь текст из документа — GetChildNodes(RichText), который выполняет рекурсивный обход в глубину по всему DOM:

from aspose.note import Document, RichText

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

Соберите в список и объедините:

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
)

Извлечь текст по страницам

Организуйте извлечённый текст по заголовкам страниц:

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)

Проверьте участки форматирования

RichText.TextRuns это список TextRun объекты. Каждый диапазон охватывает непрерывный участок символов с единообразным 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}")

Справочник по свойствам TextStyle

СвойствоТипОписание
IsBoldboolЖирный текст
IsItalicboolКурсивный текст
IsUnderlineboolПодчёркнутый текст
IsStrikethroughboolТекст с зачёркиванием
IsSuperscriptboolВерхний индекс
IsSubscriptboolНижний индекс
FontName`strNone`
FontSize`floatNone`
FontColor`intNone`
Highlight`intNone`
Language`intNone`
IsHyperlinkboolЯвляется ли этот фрагмент гиперссылкой
HyperlinkAddress`strNone`

Извлечь гиперссылки

Гиперссылки хранятся на TextRun уровне. Проверьте 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}")

Извлечь жирный и выделенный текст

Отфильтруйте участки по свойствам форматирования, чтобы изолировать конкретный контент:

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}")

Извлечь текст из блоков заголовков

Заголовки страниц RichText узлы внутри Title объекта. Они не возвращаются верхнего уровня GetChildNodes(RichText) на странице если только вы не включите Title поддерево. Доступ к ним напрямую:

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)

Извлечь текст из таблиц

Ячейки таблицы содержат RichText дочерние элементы. Используйте вложенные GetChildNodes вызовы:

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)

Операции с текстом в памяти

Замена текста

RichText.Replace(old_value, new_value) заменяет текст в памяти во всех запусках:

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

Добавить текстовый фрагмент 

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

Сохранить извлечённый текст в файл 

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.")

Советы

  • GetChildNodes(RichText) на Document ищет весь дерево, включающее все страницы, оглавления и элементы оглавления. Вызовите его на конкретном Page чтобы ограничить область.
  • Всегда проверяйте rt.Text (или if rt.Text:) перед печатью, так как пустые RichText узлы существуют в некоторых документах.
  • В Windows перенастройте sys.stdout на UTF-8, чтобы избежать UnicodeEncodeError при печати символов, не входящих в системную кодовую страницу.
  • TextRun имеет только Text и Style поля. Нет Start/End свойств смещения; чтобы найти текст фрагмента в родительском RichText.Text, поиск run.Text внутри rt.Text вручную.

См. также

 Русский