Cara Menelusuri DOM Dokumen OneNote dalam Python

Aspose.Note FOSS for Python represents a OneNote section file as a tree of typed Python objects. Understanding how to traverse this tree efficiently is the foundation for all content extraction tasks. This guide covers all three traversal approaches: GetChildNodes, iterasi langsung, dan DocumentVisitor.

Model Objek Dokumen

DOM OneNote adalah pokok yang ketat:

Document
  ├── Page
  │     ├── Title
  │     │     ├── TitleText (RichText)
  │     │     ├── TitleDate (RichText)
  │     │     └── TitleTime (RichText)
  │     └── Outline
  │           └── OutlineElement
  │                 ├── RichText
  │                 ├── Image
  │                 ├── AttachedFile
  │                 └── Table
  │                       └── TableRow
  │                             └── TableCell
  │                                   └── RichText / Image
  └── Page  (next page ...)

Setiap node mewarisi daripada Node. Node yang mempunyai anak mewarisi daripada CompositeNode.

Kaedah 1: GetChildNodes (Rekursif, Ditapis Mengikut Jenis)

CompositeNode.GetChildNodes(Type) melakukan carian depth-first secara rekursif ke seluruh subpokok dan mengembalikan senarai rata semua node yang sepadan dengan jenis yang diberikan. Ini adalah pendekatan yang paling mudah untuk pengekstrakan kandungan:

from aspose.note import Document, RichText, Image, Table, AttachedFile

doc = Document("MyNotes.one")

##All RichText nodes anywhere in the document
texts = doc.GetChildNodes(RichText)
print(f"RichText nodes: {len(texts)}")

##All images
images = doc.GetChildNodes(Image)
print(f"Image nodes: {len(images)}")

##All tables
tables = doc.GetChildNodes(Table)
print(f"Table nodes: {len(tables)}")

##All attachments
attachments = doc.GetChildNodes(AttachedFile)
print(f"AttachedFile nodes: {len(attachments)}")

Skopkan carian kepada satu halaman dengan memanggil GetChildNodes pada Page bukannya Document:

from aspose.note import Document, Page, RichText

doc = Document("MyNotes.one")
for page in doc.GetChildNodes(Page):
    page_texts = page.GetChildNodes(RichText)
    print(f"  Page has {len(page_texts)} text nodes")

Kaedah 2: Iterasi Anak Secara Langsung

for child in node mengiterasi segera anak bagi a CompositeNode. Gunakan ini apabila anda memerlukan satu tahap khusus dalam hierarki:

from aspose.note import Document

doc = Document("MyNotes.one")

##Direct children of Document are Pages
for page in doc:
    title = (
        page.Title.TitleText.Text
        if page.Title and page.Title.TitleText
        else "(untitled)"
    )
    print(f"Page: {title}")
    # Direct children of Page are Outlines (and optionally Title)
    for child in page:
        print(f"  {type(child).__name__}")

Kaedah 3: DocumentVisitor

DocumentVisitor menyediakan corak pelawat untuk penelusuran berstruktur. Override hanya VisitXxxStart/End kaedah yang anda perlukan. Pelawat dihantar dengan memanggil doc.Accept(visitor):

from aspose.note import (
    Document, DocumentVisitor, Page, Title,
    Outline, OutlineElement, RichText, Image,
)

class StructurePrinter(DocumentVisitor):
    def __init__(self):
        self._depth = 0

    def _indent(self):
        return "  " * self._depth

    def VisitPageStart(self, page: Page) -> None:
        t = page.Title.TitleText.Text if page.Title and page.Title.TitleText else "(untitled)"
        print(f"{self._indent()}Page: {t!r}")
        self._depth += 1

    def VisitPageEnd(self, page: Page) -> None:
        self._depth -= 1

    def VisitOutlineStart(self, outline) -> None:
        self._depth += 1

    def VisitOutlineEnd(self, outline) -> None:
        self._depth -= 1

    def VisitRichTextStart(self, rt: RichText) -> None:
        if rt.Text.strip():
            print(f"{self._indent()}Text: {rt.Text.strip()!r}")

    def VisitImageStart(self, img: Image) -> None:
        print(f"{self._indent()}Image: {img.FileName!r} ({img.Width}x{img.Height}pts)")

doc = Document("MyNotes.one")
doc.Accept(StructurePrinter())

Kaedah Pelawat yang Tersedia

Pasangan kaedah	Jenis nod
`VisitDocumentStart/End`	`Document`
`VisitPageStart/End`	`Page`
`VisitTitleStart/End`	`Title`
`VisitOutlineStart/End`	`Outline`
`VisitOutlineElementStart/End`	`OutlineElement`
`VisitRichTextStart/End`	`RichText`
`VisitImageStart/End`	`Image`

Menavigasi Ke Atas Pokok

Setiap nod mendedahkan ParentNode dan satu Document sifat untuk menavigasi ke atas:

from aspose.note import Document, RichText

doc = Document("MyNotes.one")
for rt in doc.GetChildNodes(RichText):
    parent = rt.ParentNode   # OutlineElement, TableCell, Title, etc.
    root = rt.Document       # always the Document root
    print(f"  '{rt.Text.strip()!r}' parent={type(parent).__name__}")
    break

Kaedah Pengurusan Anak

CompositeNode juga mendedahkan pengurusan anak dalam memori (berguna untuk pembinaan dokumen secara programatik, walaupun penulisan kembali ke .one tidak disokong):

Kaedah	Penerangan
`node.FirstChild`	Anak langsung pertama atau `None`
`node.LastChild`	Anak langsung terakhir atau `None`
`node.AppendChildLast(child)`	Tambah anak di akhir
`node.AppendChildFirst(child)`	Tambah anak di permulaan
`node.InsertChild(index, child)`	Sisip pada kedudukan
`node.RemoveChild(child)`	Buang anak

Kira Nod Dengan Visitor

from aspose.note import Document, DocumentVisitor, Page, RichText, Image

class Counter(DocumentVisitor):
    def __init__(self):
        self.pages = self.texts = self.images = 0

    def VisitPageStart(self, page: Page) -> None:
        self.pages += 1

    def VisitRichTextStart(self, rt: RichText) -> None:
        self.texts += 1

    def VisitImageStart(self, img: Image) -> None:
        self.images += 1

doc = Document("MyNotes.one")
c = Counter()
doc.Accept(c)
print(f"Pages={c.pages}  RichText={c.texts}  Images={c.images}")

Memilih Kaedah Traversal yang Betul

Senario	Pendekatan terbaik
Cari semua nod satu jenis (contoh: semua RichText)	`GetChildNodes(RichText)`
Ulangi hanya anak langsung	`for child in node`
Lalui pokok dengan konteks (kedalaman, keadaan ibu bapa)	`DocumentVisitor`
Navigasi dari kandungan ke atas kepada ibu bapa atau akar	`node.ParentNode` / `node.Document`

Sumber Berkaitan: