Cara Mengekstrak Teks dari File OneNote di Python

File Microsoft OneNote .one adalah dokumen biner yang tidak dapat dibaca sebagai teks biasa atau diparsing dengan alat XML generik. Aspose.Note FOSS for Python menyediakan parser murni‑Python yang memuat file .one ke dalam model objek dokumen (DOM) lengkap, sehingga memudahkan ekstraksi teks, metadata pemformatan, dan hyperlink secara programatik.

Manfaat Menggunakan Aspose.Note FOSS untuk Python

1. Tidak memerlukan Microsoft Office: baca file .one di platform apa pun, termasuk server Linux CI/CD
2. Akses teks lengkap dan pemformatan: teks biasa, rangkaian tebal/miring/garis bawah, properti font, dan URL tautan hiperteks
3. Gratis dan sumber terbuka: lisensi MIT, tanpa biaya penggunaan atau kunci API

Panduan Langkah-demi-Langkah

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)

Masalah Umum dan Solusi

1. ImportError: Tidak ada modul bernama ‘aspose’

Penyebab: Paket tidak terpasang di lingkungan Python yang aktif.

Perbaikan:

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

2. FileNotFoundError saat memuat file .one

Penyebab: Jalur file tidak benar atau file tidak ada.

Perbaikan: Gunakan jalur absolut atau verifikasi bahwa file ada sebelum memuat:

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 pada Windows saat mencetak

Penyebab: Terminal Windows mungkin menggunakan enkoding lama yang tidak dapat menampilkan karakter Unicode.

Perbaikan: Konfigurasikan ulang stdout di awal skrip Anda:

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

4. Hasil teks kosong

Cause: File .one mungkin kosong, hanya berisi gambar atau tabel (tanpa node RichText), atau merupakan file notebook (.onetoc2) bukan file bagian (.one).

Perbaikan: Periksa jumlah halaman dan periksa tipe node:**

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

Penyebab: File .one dienkripsi. Dokumen yang dienkripsi tidak didukung.

Fix: Aspose.Note FOSS untuk Python tidak mendukung file terenkripsi .one. Produk komersial Aspose.Note yang lengkap mendukung dekripsi.

Pertanyaan yang Sering Diajukan

Apakah saya dapat mengekstrak teks dari semua halaman sekaligus?

Ya. doc.GetChildNodes(RichText) mencari seluruh pohon dokumen secara rekursif, termasuk semua halaman, outline, dan elemen outline.

Apakah perpustakaan mendukung file notebook .onetoc2?

Tidak. Perpustakaan hanya menangani file bagian .one. File daftar isi notebook (.onetoc2) adalah format yang berbeda dan tidak didukung.

Bisakah saya mengekstrak teks dari tabel?

Ya. TableCell node berisi anak RichText yang dapat dibaca dengan cara yang sama:

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()

Versi Python apa yang didukung?

Python 3.10, 3.11, dan 3.12.

Apakah perpustakaan ini thread-safe?

Setiap instance Document harus digunakan dari satu thread. Untuk ekstraksi paralel, buat Document terpisah per thread.

Sumber Daya Terkait:

• Ikhtisar Fitur
• Panduan Pengembang
• Cara Mengekspor ke PDF
• Referensi API