Skip to main content
Open In Colab在 GitHub 上打开

Microsoft PowerPoint

Microsoft PowerPoint 是 Microsoft 的一个演示程序。

这涵盖了如何加载Microsoft PowerPointdocuments 转换为我们可以在下游使用的文档格式。

请参阅本指南，了解有关在本地设置 Unstructured 的更多说明，包括设置所需的系统依赖项。

# 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

在引擎盖下，Unstructured为不同的文本块创建不同的 “元素”。默认情况下，我们会将它们组合在一起，但您可以通过指定mode="elements".

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 Document Intelligence

Azure AI Document Intelligence（以前称为Azure Form Recognizer） 是机器学习 基于从中提取文本（包括手写）、表格、文档结构（例如标题、章节标题等）和键值对的服务 数字或扫描的 PDF、图像、Office 和 HTML 文件。

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

当前使用Document Intelligence可以逐页合并内容并将其转换为 LangChain 文档。默认输出格式是 markdown，可以很容易地与MarkdownHeaderTextSplitter用于语义文档分块。您还可以使用mode="single"或mode="page"返回单页或按页拆分的文档中的纯文本。

先决条件

以下 3 个预览区域之一的 Azure AI Document Intelligence 资源：美国东部、美国西部 2、西欧 - 如果没有，请按照此文档创建一个。您将通过<endpoint>和<key>作为 loader 的参数。

%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()