Text Extraction

Extrahovanie textu — Aspose.Note FOSS pre Python

Aspose.Note FOSS for Python exposes the full text content of every OneNote page through the RichText uzol. Každý RichText obsahuje plain-text .Text reťazec a .TextRuns zoznam individuálne štýlovaných TextRun segmentov. Táto stránka dokumentuje všetky dostupné vzory extrakcie textu.

Extrahovať celý čistý text

Najrýchlejší spôsob, ako získať celý text z dokumentu, je GetChildNodes(RichText), ktorý vykonáva rekurzívne prehľadávanie do hĺbky naprieč celým DOM:

from aspose.note import Document, RichText

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

Zozbierajte do zoznamu a spojte:

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
)

Extrahovať text po stránkach

Usporiadajte extrahovaný text podľa názvu stránky:

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)

Preskúmať formátovacie úseky

RichText.TextRuns je zoznam TextRun objektov. Každý úsek pokrýva súvislý rozsah znakov s jednotným 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}")

Referenčný zoznam vlastností TextStyle

Vlastnosť	Typ	Popis
`IsBold`	`bool`	Tučný text
`IsItalic`	`bool`	Kurzívny text
`IsUnderline`	`bool`	Podčiarknutý text
`IsStrikethrough`	`bool`	Prečiarknutý text
`IsSuperscript`	`bool`	Horný index
`IsSubscript`	`bool`	Dolný index
`FontName`	`str	None`
`FontSize`	`float	None`
`FontColor`	`int	None`
`Highlight`	`int	None`
`Language`	`int	None`
`IsHyperlink`	`bool`	Či je tento úsek hyperodkazom
`HyperlinkAddress`	`str	None`

Extrahovať hyperodkazy

Hyperlinky sú uložené na TextRun úrovni. Skontrolujte 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}")

Extrahovať tučný a zvýraznený text

Filtrovať úseky podľa formátovacích vlastností na izolovanie konkrétneho obsahu:

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}")

Extrahovať text z titulkových blokov

Názvy stránok sú RichText uzly v Title objekte. Nie sú vrátené na najvyššej úrovni GetChildNodes(RichText) na stránke, pokiaľ nezahrnete Title podstrom. Pristúpte k nim priamo:

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)

Extrahovať text z tabuliek

Bunky tabuľky obsahujú RichText deti. Použite vnorené GetChildNodes volania:

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)

Operácie s textom v pamäti

Nahradiť text

RichText.Replace(old_value, new_value) nahrádza text v pamäti naprieč všetkými spusteniami:

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

Pridať textový run

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

Uložiť extrahovaný text do súboru

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.")

Tipy

GetChildNodes(RichText) na Document hľadá celý strom vrátane všetkých stránok, osnov a prvkov osnovy. Zavolajte ho na konkrétnom Page na obmedzenie rozsahu.
Vždy skontrolujte rt.Text (alebo if rt.Text:) RichText uzly existujú v niektorých dokumentoch.
V systéme Windows prekonfigurujte sys.stdout na UTF-8, aby ste predišli UnicodeEncodeError pri tlači znakov mimo systémovej kódovej stránky.
TextRun má iba Text a Style polia. Neexistujú žiadne Start/End vlastnosti offsetu; na lokalizáciu textu behu v rámci rodiča RichText.Text, run.Text v rámci rt.Text manuálne.