OneNote解析-如何获取文档中的文本Blob？

Question

我正在为.one文件扩展名创建一个解析器，完成后我将其添加到Apache Tika项目中。

这是我正在创建的APL 2.0许可的开源项目：https : //github.com/nddipiazza/onenote-parser-java

我在这里使用了规范文档：https : //docs.microsoft.com/zh-cn/openspecs/office_file_formats/ms-one/73d22548-a613-4350-8c23-07d15576be50

首先，我移植了这个开源C ++项目中的代码：https : //github.com/dropbox/onenote-parser

我在解析文档方面已经走了很长一段路，但是遇到了障碍。

这是我用来解析的OneNote文件：https : //drive.google.com/file/d/1uROTEnKeBKU08CG_K5zdDTGHa178LgBK/view? usp =sharing

我无法在解析的结果中查看Section1TextArea1和Section1TextArea2。因此，我缺少某种关键数据解析元素或其他东西。

它绝对在OneNote文件本身中。我可以在十六进制查看器中看到它：

这是JSON解析输出：https : //gist.github.com/nddipiazza/02d2252d357b3b02a6b9ab1050474267

我觉得规范文档缺少解析该专有格式所需的一些非常重要的信息。

我缺少哪些主要元素，导致我没有获得实际的文本内容？

Answer 1

我想到了。OneNote 中的属性值可以具有以下任一值，这是一个理解问题：

• 二进制内容
• Ascii 文本内容
• UTF-16LE 内容。

到处都是各种各样的东西。

另外，我只是继续解析整个根文件树。这会导致大量重复的文本，但我并不关心。

该项目已更新测试用例和修复： https: //github.com/nddipiazza/onenote-parser-java/tree/master/src/main/java/org/apache/tika/onenote

更新：

刚刚创建了 apache tika PR：https ://github.com/apache/tika/pull/300