Aspose.Note FOSS
Python
Посібник розробника
Text Extraction

Витяг тексту — Aspose.Note FOSS для Python

Aspose.Note FOSS for Python exposes the full text content of every OneNote page through the RichText вузол. Кожен RichText містить як plain-text .Text рядок і .TextRuns список індивідуально стилізованих TextRun сегментів. Ця сторінка документує всі доступні шаблони вилучення тексту.

Витягнути весь простий текст

Найшвидший спосіб отримати весь текст з документа — GetChildNodes(RichText), який виконує рекурсивний обхід у глибину по всьому DOM:

from aspose.note import Document, RichText

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

Зберіть у список і об’єднайте:

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
)

Витягнути текст по сторінках

Організуйте витягнутий текст за заголовком сторінки:

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)

Перевірте ділянки форматування

RichText.TextRuns є списком TextRun об’єкти. Кожен фрагмент охоплює безперервний діапазон символів з однорідним 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}")

Посилання на властивості TextStyle

ВластивістьТипОпис
IsBoldboolЖирний текст
IsItalicboolКурсивний текст
IsUnderlineboolПідкреслений текст
IsStrikethroughboolТекст з перекресленням
IsSuperscriptboolВерхній індекс
IsSubscriptboolНижній індекс
FontName`strNone`
FontSize`floatNone`
FontColor`intNone`
Highlight`intNone`
Language`intNone`
IsHyperlinkboolЧи є цей фрагмент гіперпосиланням
HyperlinkAddress`strNone`

Витягнути гіперпосилання

Гіперпосилання зберігаються на TextRun рівень. Перевірте 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}")

Витягнути жирний та підсвічений текст

Фільтруйте ділянки за властивостями форматування, щоб виділити конкретний вміст:

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}")

Витягнути текст із блоків заголовків

Назви сторінок є RichText вузли всередині Title об’єкт. Вони не повертаються верхнім рівнем GetChildNodes(RichText) на сторінці, якщо ви не включите the Title піддерево. Доступайте до них безпосередньо:

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)

Витягнути текст з таблиць

Комірки таблиці містять RichText нащадки. Використовуйте вкладені GetChildNodes виклики:

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)

Операції з текстом у пам’яті

Замінити текст

RichText.Replace(old_value, new_value) замінює текст у пам’яті під час усіх запусків:

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

Додати текстовий 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

Зберегти витягнутий текст у 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.")

Поради

  • GetChildNodes(RichText) на Document шукає весь дерево, що включає всі сторінки, контури та елементи контуру. Викличте його на конкретному Page для обмеження області.
  • Завжди перевіряйте rt.Text (або if rt.Text:) перед друком, оскільки порожні RichText вузли існують у деяких документах.
  • У Windows, переналаштуйте sys.stdout на UTF-8, щоб уникнути UnicodeEncodeError при друкуванні символів, які не входять у системну кодову сторінку.
  • TextRun має лише Text і Style поля. Немає Start/End властивостей зсуву; щоб знайти текст ділянки у батьківському RichText.Text, шукайте run.Text у rt.Text вручну.

Див. також

 Українська