OneNote 解析 - 如何获取文档中的文本 Blob？

我正在为以下内容创建一个解析器.one文件扩展名，完成后我会将其添加到 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 https://github.com/nddipiazza/onenote-parser-java

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

作为起点，我移植了这个开源 C++ 项目的代码：https://github.com/dropbox/onenote-parser https://github.com/dropbox/onenote-parser

我在解析文档方面已经取得了很大的进展，但遇到了障碍。

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

我无法在解析结果中查看Section1TextArea1 和Section1TextArea2。所以我缺少某种关键数据解析元素之类的东西。

它肯定在 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 https://gist.github.com/nddipiazza/02d2252d357b3b02a6b9ab1050474267

我觉得规范文档缺少一些解析这种专有格式所需的非常重要的信息。

我缺少哪些主要元素导致我无法获得实际的文本内容？

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 https://github.com/nddipiazza/onenote-parser-java/tree/master/src/main/java/org/apache/tika/onenote

UPDATE:

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