Como Extrair Texto de Arquivos OneNote em Python

Os arquivos Microsoft OneNote .one são documentos binários que não podem ser lidos como texto simples ou analisados com ferramentas genéricas XML. O Aspose.Note FOSS for Python fornece um parser puro‑Python que carrega arquivos .one em um modelo completo de objeto de documento (DOM), tornando simples a extração programática de texto, metadados de formatação e hyperlinks.

Benefícios de Usar Aspose.Note FOSS para Python

1. Não é necessário Microsoft Office: leia arquivos .one em qualquer plataforma, incluindo servidores Linux CI/CD
2. Acesso total ao texto e formatação: texto simples, trechos em negrito/itálico/sublinhado, propriedades de fonte e URLs de hiperlink
3. Gratuito e de código aberto: licença MIT, sem taxas de uso ou chaves de API

Guia passo a passo

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)

Problemas Comuns e Soluções

1. ImportError: Nenhum módulo chamado ‘aspose’

Causa: O pacote não está instalado no ambiente Python ativo.

Correção:

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

2. FileNotFoundError ao carregar arquivo .one

Causa: O caminho do arquivo está incorreto ou o arquivo não existe.

Correção: Use um caminho absoluto ou verifique se o arquivo existe antes de carregá-lo:

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 no Windows ao imprimir

Causa: Terminais Windows podem usar uma codificação legada que não consegue renderizar caracteres Unicode.

Correção: Reconfigure stdout no início do seu script:

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

4. Resultados de texto vazio

Causa: O arquivo .one pode estar vazio, conter apenas imagens ou tabelas (sem nós RichText), ou ser um arquivo de notebook (.onetoc2) em vez de um arquivo de seção (.one).

Correção: Verifique a contagem de páginas e inspecione os tipos de nó:

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

Causa: O arquivo .one está criptografado. Documentos criptografados não são suportados.

Fix: Aspose.Note FOSS for Python não suporta arquivos criptografados .one. O produto comercial completo Aspose.Note oferece suporte à descriptografia.

Perguntas Frequentes

Posso extrair texto de todas as páginas de uma vez?

Sim. doc.GetChildNodes(RichText) pesquisa toda a árvore do documento recursivamente, incluindo todas as páginas, esboços e elementos de esboço.

A biblioteca suporta arquivos de notebook .onetoc2?

Não. A biblioteca lida apenas com arquivos de seção .one. Arquivos de índice de cadernos (.onetoc2) são um formato diferente e não são suportados.

Posso extrair texto de tabelas?

Sim. TableCell nós contêm RichText filhos que podem ser lidos da mesma forma:

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()

Quais versões do Python são suportadas?

Python 3.10, 3.11 e 3.12.

A biblioteca é thread‑safe?

Cada instância Document deve ser usada a partir de um único thread. Para extração paralela, crie um Document separado por thread.

Recursos Relacionados:

• Visão geral dos recursos
• Guia do desenvolvedor
• Como exportar para PDF
• Referência da API