微软 Word

Microsoft Word 是由微软开发的字处理程序。

这涵盖了如何加载Word文档到我们可以用于下游处理的文档格式中。

使用Docx2txt​

使用 Docx2txt 将 .docx 文件加载到文档中。

%pip install --upgrade --quiet  docx2txt

from langchain_community.document_loaders import Docx2txtLoader

loader = Docx2txtLoader("./example_data/fake.docx")

data = loader.load()

data

API 参考:Docx2txtLoader

[Document(page_content='Lorem ipsum dolor sit amet.', metadata={'source': './example_data/fake.docx'})]

使用未结构化

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。

from langchain_community.document_loaders import UnstructuredWordDocumentLoader

loader = UnstructuredWordDocumentLoader("example_data/fake.docx")

data = loader.load()

data

API 参考:未结构化单词文档加载器

[Document(page_content='Lorem ipsum dolor sit amet.', metadata={'source': 'example_data/fake.docx'})]

保留元素

在底层，Unstructured 为不同的文本块创建不同的“元素”。默认情况下，我们会将这些元素组合在一起，但通过指定 mode="elements"，您可以轻松保持这种分离。

loader = UnstructuredWordDocumentLoader("./example_data/fake.docx", mode="elements")

data = loader.load()

data[0]

Document(page_content='Lorem ipsum dolor sit amet.', metadata={'source': './example_data/fake.docx', 'category_depth': 0, 'file_directory': './example_data', 'filename': 'fake.docx', 'last_modified': '2023-12-19T13:42:18', 'languages': ['por', 'cat'], 'filetype': 'application/vnd.openxmlformats-officedocument.wordprocessingml.document', '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()

API 参考:AzureAI文档智能加载器

相关

• 文档加载器 概念指南
• 文档加载器 使用指南