Extrahovat text z OneNote souborů pomocí Python

Pokud potřebujete číst text z Microsoft OneNote .one soubory v Python skriptu, aniž byste instalovali Microsoft Office nebo spouštěli Windows, Aspose.Note FOSS for Python je řešením. Jedná se o 100 % zdarma, open-source knihovnu, která přímo parsuje binární formát OneNote a poskytuje čisté Python API.

Instalace

pip install aspose-note

Žádný API klíč. Žádný licenční soubor. Žádný Microsoft Office.

Nejjednodušší přístup: GetChildNodes(RichText)

Text OneNote je uložen v RichText uzlech rozprostřených napříč stránkami, osnovami a elementy osnov. GetChildNodes(RichText) provádí rekurzivní prohledávání celého stromu dokumentu a vrací každý textový uzel jako plochý seznam:

from aspose.note import Document, RichText

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

Toto je nejrychlejší způsob, jak získat veškerý textový obsah z .one souboru.

Uložit text do souboru

from aspose.note import Document, RichText

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"Saved {len(lines)} text blocks to extracted.txt")

Extrahovat text po stránkách

Když potřebujete vědět, ze které stránky pochází každý textový blok:

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)"
    )
    page_texts = [rt.Text for rt in page.GetChildNodes(RichText) if rt.Text]
    print(f"\n=== {title} ===")
    for text in page_texts:
        print(text)

Extrahovat hypertextové odkazy

Hyperlinky jsou uloženy na jednotlivých TextRun objektech uvnitř RichText uzlů. Zkontrolujte run.Style.IsHyperlink:

from aspose.note import Document, RichText

doc = Document("MyNotes.one")
for rt in doc.GetChildNodes(RichText):
    for run in rt.Runs:
        if run.Style.IsHyperlink and run.Style.HyperlinkAddress:
            print(f"{run.Text!r}  ->  {run.Style.HyperlinkAddress}")

Detekovat formátování: tučné, kurzíva, podtržení

Každý TextRun nese formátování po jednotlivých znacích prostřednictvím svého TextStyle:

from aspose.note import Document, RichText

doc = Document("MyNotes.one")
for rt in doc.GetChildNodes(RichText):
    for run in rt.Runs:
        s = run.Style
        if any([s.Bold, s.Italic, s.Underline]):
            flags = ", ".join(f for f, v in [
                ("bold", s.Bold), ("italic", s.Italic), ("underline", s.Underline)
            ] if v)
            print(f"[{flags}] {run.Text.strip()!r}")

Číst ze streamu

Funguje s cloudovým úložištěm, těly HTTP odpovědí nebo paměťovými buffery:

import io, urllib.request
from aspose.note import Document, RichText

##Example: load from bytes already in memory
one_bytes = open("MyNotes.one", "rb").read()
doc = Document(io.BytesIO(one_bytes))
texts = [rt.Text for rt in doc.GetChildNodes(RichText) if rt.Text]
print(f"Extracted {len(texts)} text block(s)")

Oprava kódování ve Windows

Na Windows terminálech, sys.stdout může používat staré kódování, které selhává u Unicode znaků. Přidejte toto na začátek svého skriptu:

import sys
if hasattr(sys.stdout, "reconfigure"):
    sys.stdout.reconfigure(encoding="utf-8", errors="replace")

Co knihovna podporuje

Funkce	Podporováno
Číst `.one` soubory (cesta nebo proud)	Ano
Extrahovat `RichText.Text` (prostý text)	Ano
Zkontrolovat `TextRun.Style` (tučný, kurzíva, hyperodkaz, písmo)	Ano
Extrahovat text z buněk tabulky	Ano
Číst názvy stránek	Ano
Zapsat zpět do `.one`	Ne
Šifrované dokumenty	Ne