Como extrair texto de arquivos do OneNote em Python

Microsoft OneNote .one Os arquivos são documentos binários que não podem ser lidos como texto simples ou analisados com ferramentas XML genéricas. Aspose.Note FOSS for Python fornece um parser de Python puro que carrega .one Arquivos em um modelo de objeto completo do documento (DOM), tornando-o simples para extrair texto, formatar metadados e hiperlinks programaticamente.

Benefícios de usar Aspose.Note FOSS para Python

1. Não é necessário Microsoft Office:Leia: .one Arquivos em qualquer plataforma, incluindo servidores de CD/IC Linux.
2. Acesso ao texto completo e à formatação: texto simples, negrito/italic/sublinhação, propriedades de fonte e URLs de hiperlinks
3. Liberto e de código aberto: licença MIT, sem taxas de uso ou chaves 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: No module named ‘aspose’

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

Correção:

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

2. FileNotFoundError when loading .one file

Causa da morte: O caminho do ficheiro é incorreto ou o ficheiros não existem.

Correção: Utilize um caminho absoluto ou verifique a existência do ficheiro antes de carregar:

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 on Windows when printing

Causa da morte: Os terminais Windows podem usar uma codificação herdada que não pode 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. Empty text results

Causa da morte:O Conselho Europeu de Bruxelas: .one O ficheiro pode ser vazio, conter apenas imagens ou tabelas (sem nós RichText) ou um ficheirode notebook (.onetoc2) em vez de um ficheiro de secção (.one).

Correção: Verificar a contagem de páginas e inspecionar os tipos de nós:

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 da morte:O Conselho Europeu de Bruxelas: .one O ficheiro está encriptado. Documentos criptografados não são suportados.

Correção: Aspose.Note FOSS para Python não suporta criptografia .one O produto comercial Aspose.Note com todas as características suporta a decodificação.

Perguntas Frequentes

Posso extrair texto de todas as páginas ao mesmo tempo?

• Sim, é verdade. doc.GetChildNodes(RichText) Procura toda a árvore de documentos recursivamente, incluindo todas as páginas, contornos e elementos de contorno.

A biblioteca suporta arquivos de notebook .onetoc2?

Não, a biblioteca trata disso. .one Arquivos de tabela de conteúdos para notebooks (.onetoc2) são de um formato diferente e não são suportados.

Posso extrair texto das mesas?

• Sim, é verdade. TableCell os nós contêm RichText crianças que podem ser lidas 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 segura?

Cada um. Document Para extração paralela, crie um separado. Document por fio.

Recursos relacionados:

• Características de um conjunto geral
• Guia de Desenvolvedores
• Como exportar para PDF
• Referência API

Ver também:

• Aspose.Note — Enterprise Knowledge Base