Skip to main content
Open In ColabOpen on GitHub

微软 PowerPoint

Microsoft PowerPoint 是由微软开发的演示程序。

这涵盖了如何加载Microsoft PowerPoint文档到我们可以用于下游处理的文档格式中。

请参阅此指南以获取更多关于在本地设置Unstructured的说明，包括所需的系统依赖项配置。

# Install packages
%pip install unstructured
%pip install python-magic
%pip install python-pptx
from langchain_community.document_loaders import UnstructuredPowerPointLoader

loader = UnstructuredPowerPointLoader("./example_data/fake-power-point.pptx")

data = loader.load()

data
[Document(page_content='Adding a Bullet Slide\n\nFind the bullet slide layout\n\nUse _TextFrame.text for first bullet\n\nUse _TextFrame.add_paragraph() for subsequent bullets\n\nHere is a lot of text!\n\nHere is some text in a text box!', metadata={'source': './example_data/fake-power-point.pptx'})]

保留元素​

在幕后，Unstructured 为不同的文本部分创建了不同的“元素”。默认情况下我们会将它们组合在一起，但你可以通过指定mode="elements"来保持这种分离。

loader = UnstructuredPowerPointLoader(
    "./example_data/fake-power-point.pptx", mode="elements"
)

data = loader.load()

data[0]
Document(page_content='Adding a Bullet Slide', metadata={'source': './example_data/fake-power-point.pptx', 'category_depth': 0, 'file_directory': './example_data', 'filename': 'fake-power-point.pptx', 'last_modified': '2023-12-19T13:42:18', 'page_number': 1, 'languages': ['eng'], 'filetype': 'application/vnd.openxmlformats-officedocument.presentationml.presentation', 'category': 'Title'})

使用 Azure AI 文档智能 ​

Azure AI Document Intelligence (formerly known as Azure Form Recognizer) 是一种基于机器学习的服务，可以从数字化或扫描的PDF、图像、Office和HTML文件中提取文本（包括手写体）、表格、文档结构（例如标题、段落小节等）以及键值对。

Document Intelligence 支持 PDF, JPEG/JPG, PNG, BMP, TIFF, HEIF, DOCX, XLSX, PPTX 和 HTML.

这当前使用Document Intelligence实现的加载器可以按页面引入内容并将其转换为LangChain文档。默认输出格式是markdown，可以轻松地与MarkdownHeaderTextSplitter结合用于语义分块。你也可以使用mode="single"或mode="page"来返回纯文本单页或者将文档按页面分割。

前置条件​

一个位于以下三个预览区域之一的 Azure AI 文档智能资源：East US、West US2、West Europe - 如果您尚未拥有，请遵循此文档进行创建。您将把 <endpoint> 和 <key> 作为参数传递给加载器。

%pip install --upgrade --quiet  langchain langchain-community azure-ai-documentintelligence
from langchain_community.document_loaders import AzureAIDocumentIntelligenceLoader

file_path = "<filepath>"
endpoint = "<endpoint>"
key = "<key>"
loader = AzureAIDocumentIntelligenceLoader(
    api_endpoint=endpoint, api_key=key, file_path=file_path, api_model="prebuilt-layout"
)

documents = loader.load()