Как извлечь текст из файлов OneNote на Python

Файлы Microsoft OneNote .one являются бинарными документами, которые нельзя читать как обычный текст или разбирать с помощью общих XML‑инструментов. Aspose.Note FOSS for Python предоставляет чисто‑Python парсер, который загружает файлы .one в полную модель объектного документа (DOM), что упрощает программное извлечение текста, метаданных форматирования и гиперссылок.

Преимущества использования Aspose.Note FOSS для Python

1. Не требуется Microsoft Office: чтение .one файлов на любой платформе, включая серверы Linux CI/CD
2. Полный доступ к тексту и форматированию: обычный текст, жирный/курсивный/подчёркнутый фрагменты, свойства шрифтов и URL‑адреса гиперссылок
3. Бесплатно и с открытым исходным кодом: лицензия MIT, отсутствие платы за использование и API‑ключей

Пошаговое руководство

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)

Распространённые проблемы и решения

1. ImportError: Нет модуля с именем ‘aspose’

Cause: Пакет не установлен в активной среде Python.

Исправление:

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

2. FileNotFoundError при загрузке файла .one

Причина: Путь к файлу неверен или файл не существует.

Исправление: используйте абсолютный путь или проверьте, существует ли файл перед загрузкой:

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 в Windows при печати

Причина: терминалы Windows могут использовать устаревшую кодировку, которая не может отображать символы Unicode.

Исправление: Перенастройте stdout в начале вашего скрипта:

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

4. Пустой текст приводит к результатам

Cause: Файл .one может быть пустым, содержать только изображения или таблицы (без узлов RichText), либо быть файлом блокнота (.onetoc2), а не файлом раздела (.one).

Fix: Проверьте количество страниц и типы узлов:

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

Cause: Файл .one зашифрован. Зашифрованные документы не поддерживаются.

Fix: Aspose.Note FOSS for Python не поддерживает зашифрованные .one файлы. Полнофункциональный коммерческий продукт Aspose.Note поддерживает расшифровку.

Часто задаваемые вопросы

Могу ли я извлечь текст со всех страниц одновременно?

Да. doc.GetChildNodes(RichText) рекурсивно просматривает всё дерево документа, включая все страницы, оглавления и элементы оглавления.

Поддерживает ли библиотека файлы блокнотов .onetoc2?

Нет. Библиотека обрабатывает только файлы разделов .one. Файлы оглавления блокнота (.onetoc2) имеют другой формат и не поддерживаются.

Могу ли я извлекать текст из таблиц?

Да. TableCell узлы содержат RichText дочерние элементы, которые можно прочитать тем же способом:

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()

Какие версии Python поддерживаются?

Python 3.10, 3.11 и 3.12.

Библиотека потокобезопасна?

Каждый экземпляр Document должен использоваться из одного потока. Для параллельного извлечения создайте отдельный Document для каждого потока.

Связанные ресурсы:

• Обзор функций
• Руководство разработчика
• Как экспортировать в PDF
• Справочник API