Szöveg kinyerése OneNote fájlokból a Python használatával

Ha szöveget kell olvasnod a Microsoft OneNote-ból .one fájlok egy Python szkriptben, a Microsoft Office telepítése vagy a Windows futtatása nélkül, Aspose.Note FOSS for Python a megoldás. Ez egy 100%-ban ingyenes, nyílt forráskódú könyvtár, amely közvetlenül elemzi a OneNote bináris formátumát, és egy tiszta Python API-t biztosít.

Telepítés

pip install aspose-note

Nincs API kulcs. Nincs licencfájl. Nincs Microsoft Office.

A legegyszerűbb megközelítés: GetChildNodes(RichText)

A OneNote szöveg tárolva van RichText csomópontokban, amelyek az oldalak, vázlatok és vázlat elemek között vannak elosztva. GetChildNodes(RichText) rekurzív keresést végez a teljes dokumentumfán, és minden szövegcsoportot egy lapos listaként ad vissza:

from aspose.note import Document, RichText

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

Ez a leggyorsabb mód arra, hogy minden szövegtartalmat kinyerj egy .one fájlból.

Szöveg mentése fájlba

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")

Szöveg kinyerése oldalanként

Amikor tudnod kell, melyik oldalról származik az egyes szövegrészek:

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)

Hiperhivatkozások kinyerése

A hiperhivatkozások egyedi TextRun objektumokon belül RichText csomópontokban. Ellenőrizd run.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}  ->  {run.Style.HyperlinkAddress}")

Formázás felismerése: félkövér, dőlt, aláhúzott

Minden TextRun karakterenkénti formázást hordoz a TextStyle:

from aspose.note import Document, RichText

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

Olvasás egy adatfolyamból

Felhőalapú tárolókkal, HTTP válaszüzenet-törzsekkel vagy memóriában lévő pufferekkel működik:

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)")

Windows kódolási javítás

Windows terminálokon, sys.stdout használhat egy örökölt kódolást, amely Unicode karaktereknél összeomlik. Add ezt a szkripted elejére:

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

A könyvtár által támogatottak

Funkció	Támogatott
Olvas `.one` fájlok (útvonal vagy adatfolyam)	Igen
Kivonás `RichText.Text` (egyszerű szöveg)	Igen
Ellenőrzés `TextRun.Style` (félkövér, dőlt, hiperhivatkozás, betűtípus)	Igen
Szöveg kinyerése a táblázat celláiból	Igen
Oldalcímek olvasása	Igen
Visszaírás ide `.one`	Nem
Titkosított dokumentumok	Nem