Hogyan lehet szöveget kinyerni OneNote fájlokból Pythonban

Microsoft OneNote .one fájlok bináris dokumentumok, amelyeket nem lehet egyszerű szövegként olvasni vagy általános XML eszközökkel feldolgozni. Az Aspose.Note FOSS for Python egy tisztán Python alapú elemzőt biztosít, amely betölti a .one fájlokat egy teljes dokumentumobjektum-modellbe (DOM), ezáltal egyszerűvé téve a szöveg, a formázási metaadatok és a hiperhivatkozások programozott kinyerését.

Az Aspose.Note FOSS Pythonban való használatának előnyei

1. Microsoft Office nélkül: olvassa a .one fájlokat bármilyen platformon, beleértve a Linux CI/CD szervereket
2. Teljes szöveg- és formázási hozzáférés: egyszerű szöveg, félkövér/dőlt/aláhúzott szakaszok, betűtulajdonságok és hiperhivatkozás URL-ek
3. Ingyenes és nyílt forráskódú: MIT licenc, nincs használati díj vagy API kulcs

Lépésről‑lépésre útmutató

pip install aspose-note

from aspose.note import Document
print("Installation OK")

from aspose.note import Document

doc = Document("MyNotes.one")
print(f"Section: {doc.DisplayName}")
print(f"Pages:   {len(list(doc))}")

from aspose.note import Document

with open("MyNotes.one", "rb") as f:
    doc = Document(f)

from aspose.note import Document, RichText

doc = Document("MyNotes.one")
texts = [rt.Text for rt in doc.GetChildNodes(RichText) if rt.Text]

for text in texts:
    print(text)

from aspose.note import Document, RichText

doc = Document("MyNotes.one")
texts = [rt.Text for rt in doc.GetChildNodes(RichText) if rt.Text]

with open("extracted_text.txt", "w", encoding="utf-8") as out:
    out.write("\n".join(texts))

print(f"Wrote {len(texts)} text blocks to extracted_text.txt")

from aspose.note import Document, RichText

doc = Document("MyNotes.one")

for rt in doc.GetChildNodes(RichText):
    for run in rt.TextRuns:
        style = run.Style
        attrs = []
        if style.IsBold:        attrs.append("bold")
        if style.IsItalic:      attrs.append("italic")
        if style.IsUnderline:   attrs.append("underline")
        if style.IsStrikethrough: attrs.append("strikethrough")
        if style.FontName:    attrs.append(f"font={style.FontName}")
        if style.FontSize:    attrs.append(f"size={style.FontSize}pt")
        label = ", ".join(attrs) if attrs else "plain"
        print(f"[{label}] {run.Text!r}")

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"Link text: {run.Text!r}")
            print(f"URL:       {run.Style.HyperlinkAddress}")

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)

Gyakori problémák és megoldások

1. ImportError: Nincs ‘aspose’ nevű modul

Ok: A csomag nincs telepítve az aktív Python környezetben.

Javítás:

pip install aspose-note
##Confirm active environment:
pip show aspose-note

2. FileNotFoundError a .one fájl betöltésekor

Ok: A fájl útvonala helytelen, vagy a fájl nem létezik.

Javítás: Használjon abszolút elérési utat, vagy ellenőrizze, hogy a fájl létezik‑e a betöltés előtt:

from pathlib import Path
from aspose.note import Document

path = Path("MyNotes.one")
if not path.exists():
    raise FileNotFoundError(f"File not found: {path.resolve()}")
doc = Document(str(path))

3. UnicodeEncodeError Windows rendszeren nyomtatáskor

Ok: Windows terminálok használhatnak egy régi kódolást, amely nem képes megjeleníteni az Unicode karaktereket.

Fix: Állítsd be újra a stdout-ot a szkript elején:

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

4. Üres szöveg eredménye

Ok: A .one fájl lehet üres, csak képeket vagy táblázatokat tartalmazhat (nincsenek RichText csomópontok), vagy lehet jegyzetfüzet fájl (.onetoc2) a szekciófájl (.one) helyett.

Fix: Ellenőrizze az oldalszámot és vizsgálja meg a csomóponttípusokat:

from aspose.note import Document

doc = Document("MyNotes.one")
print(f"Pages: {len(list(doc))}")
for page in doc:
    print(f"  Children: {sum(1 for _ in page)}")

5. IncorrectPasswordException

Ok: A .one fájl titkosított. A titkosított dokumentumok nem támogatottak.

Fix: Az Aspose.Note FOSS for Python nem támogatja a titkosított .one fájlokat. A teljes funkcionalitású kereskedelmi Aspose.Note termék támogatja a visszafejtést.

Gyakran Ismételt Kérdések

Kivonhatok szöveget az összes oldalról egyszerre?

Igen. doc.GetChildNodes(RichText) rekurzívan keres az egész dokumentumfában, beleértve az összes oldalt, vázlatot és a vázlat elemeit.

Támogatja a könyvtár a .onetoc2 jegyzetfüzet fájlokat?

Nem. A könyvtár csak a .one szakaszfájlokat kezeli. A jegyzetfüzet tartalomjegyzék fájlok (.onetoc2) más formátumúak, és nem támogatottak.

Kivonhatok szöveget a táblázatokból?

Igen. TableCell csomópontok RichText gyermekeket tartalmaznak, amelyeket ugyanúgy lehet beolvasni:

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):
        for cell in row.GetChildNodes(TableCell):
            cell_text = " ".join(rt.Text for rt in cell.GetChildNodes(RichText)).strip()
            print(cell_text, end="\t")
        print()

Mely Python verziók támogatottak?

Python 3.10, 3.11 és 3.12.

A könyvtár szálbiztos?

Minden Document példányt egyetlen szálról kell használni. Párhuzamos kinyeréshez hozzon létre egy külön Document példányt szálanként.

Kapcsolódó források:

• Funkciók áttekintése
• Fejlesztői útmutató
• Hogyan exportáljunk PDF-be
• API-referencia