Text Extraction

Trích xuất Văn bản — Aspose.Note FOSS cho Python

Aspose.Note FOSS for Python exposes the full text content of every OneNote page through the RichText nút. Mỗi RichText chứa cả văn bản thuần .Text chuỗi và một .TextRuns danh sách các đoạn được định dạng riêng lẻ TextRun đoạn. Trang này ghi lại mọi mẫu trích xuất văn bản có sẵn.

Trích xuất toàn bộ văn bản thuần

Cách nhanh nhất để lấy toàn bộ văn bản từ một tài liệu là GetChildNodes(RichText), thực hiện một phép duyệt đệ quy theo chiều sâu trên toàn bộ DOM:

from aspose.note import Document, RichText

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

Thu thập vào danh sách và nối lại:

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
)

Trích xuất văn bản theo trang

Sắp xếp văn bản đã trích xuất theo tiêu đề trang:

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)

Kiểm tra các đoạn định dạng

RichText.TextRuns là một danh sách của TextRun đối tượng. Mỗi lần chạy bao phủ một dải ký tự liên tục với một 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}")

Tham chiếu thuộc tính TextStyle

Thuộc tính	Kiểu	Mô tả
`IsBold`	`bool`	Văn bản in đậm
`IsItalic`	`bool`	Văn bản in nghiêng
`IsUnderline`	`bool`	Văn bản gạch chân
`IsStrikethrough`	`bool`	Văn bản gạch ngang
`IsSuperscript`	`bool`	Chỉ số trên
`IsSubscript`	`bool`	Chỉ số dưới
`FontName`	`str	None`
`FontSize`	`float	None`
`FontColor`	`int	None`
`Highlight`	`int	None`
`Language`	`int	None`
`IsHyperlink`	`bool`	Liệu đoạn này có phải là liên kết siêu văn bản hay không
`HyperlinkAddress`	`str	None`

Trích xuất siêu liên kết

Liên kết siêu văn bản được lưu tại TextRun cấp độ. Kiểm tra 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}")

Trích xuất văn bản in đậm và được tô sáng

Lọc các đoạn theo thuộc tính định dạng để cô lập nội dung cụ thể:

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}")

Trích xuất văn bản từ các khối tiêu đề

Tiêu đề trang là RichText các nút bên trong Title đối tượng. Chúng không được trả về bởi một cấp cao nhất GetChildNodes(RichText) trên trang trừ khi bạn bao gồm Title cây con. Truy cập chúng trực tiếp:

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)

Trích xuất văn bản từ bảng

Các ô bảng chứa RichText các phần tử con. Sử dụng lồng nhau GetChildNodes các lời gọi:

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)

Các thao tác văn bản trong bộ nhớ

Thay thế văn bản

RichText.Replace(old_value, new_value) thay thế văn bản trong bộ nhớ trên mọi lần chạy:

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

Thêm một run văn bản

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

Lưu văn bản đã trích xuất vào tệp

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.")

Mẹo

GetChildNodes(RichText) trên một Document tìm kiếm toàn bộ cây bao gồm tất cả các trang, đề mục và các phần tử đề mục. Gọi nó trên một cụ thể Page để giới hạn phạm vi.
Luôn kiểm tra rt.Text (hoặc if rt.Text:) trước khi in, vì các nút trống tồn tại trong một số tài liệu. RichText các nút tồn tại trong một số tài liệu.
Trên Windows, cấu hình lại sys.stdout thành UTF-8 để tránh UnicodeEncodeError khi in các ký tự nằm ngoài trang mã hệ thống.
TextRun chỉ có Text và Style các trường. Không có Start/End thuộc tính offset; để xác định vị trí văn bản của một run trong phần tử cha RichText.Text, tìm kiếm run.Text trong rt.Text bằng tay.