Skip to main content
Open In Colab在 GitHub 上打开

非结构化MarkdownLoader

此笔记本提供了 UnstructuredMarkdown 文档加载器入门的快速概述。有关所有__ModuleName__Loader功能和配置的详细文档，请参阅 API 参考。

概述

集成详细信息

类包本地化序列 化JS 支持
UnstructuredMarkdownLoaderlangchain_community❌❌✅

Loader 功能

源文档延迟加载原生异步支持
UnstructuredMarkdownLoader✅❌

设置

要访问 UnstructuredMarkdownLoader 文档加载器，您需要安装langchain-community集成包和unstructuredpython 软件包。

凭据

使用此加载程序不需要任何凭证。

要启用模型调用的自动跟踪，请设置您的 LangSmith API 密钥：

# os.environ["LANGSMITH_API_KEY"] = getpass.getpass("Enter your LangSmith API key: ")
# os.environ["LANGSMITH_TRACING"] = "true"

安装

安装 langchain_community 和非结构化

%pip install -qU langchain_community unstructured

初始化

现在我们可以实例化我们的模型对象并加载文档。

您可以在以下两种模式之一中运行加载器：“single”和“elements”。如果您使用 “single” 模式，则文档将作为单个Document对象。如果使用 “elements” 模式，非结构化库会将文档拆分为多个元素，例如Title和NarrativeText.您可以传入其他unstructuredkwargs 模式后应用不同的unstructured设置。

from langchain_community.document_loaders import UnstructuredMarkdownLoader

loader = UnstructuredMarkdownLoader(
    "./example_data/example.md",
    mode="single",
    strategy="fast",
)

负荷

docs = loader.load()
docs[0]
Document(metadata={'source': './example_data/example.md'}, page_content='Sample Markdown Document\n\nIntroduction\n\nWelcome to this sample Markdown document. Markdown is a lightweight markup language used for formatting text. It\'s widely used for documentation, readme files, and more.\n\nFeatures\n\nHeaders\n\nMarkdown supports multiple levels of headers:\n\nHeader 1: # Header 1\n\nHeader 2: ## Header 2\n\nHeader 3: ### Header 3\n\nLists\n\nUnordered List\n\nItem 1\n\nItem 2\n\nSubitem 2.1\n\nSubitem 2.2\n\nOrdered List\n\nFirst item\n\nSecond item\n\nThird item\n\nLinks\n\nOpenAI is an AI research organization.\n\nImages\n\nHere\'s an example image:\n\nCode\n\nInline Code\n\nUse code for inline code snippets.\n\nCode Block\n\n\`\`\`python def greet(name): return f"Hello, {name}!"\n\nprint(greet("World")) \`\`\`')
print(docs[0].metadata)
{'source': './example_data/example.md'}

延迟加载

page = []
for doc in loader.lazy_load():
    page.append(doc)
    if len(page) >= 10:
        # do some paged operation, e.g.
        # index.upsert(page)

        page = []
page[0]
Document(metadata={'source': './example_data/example.md', 'link_texts': ['OpenAI'], 'link_urls': ['https://www.openai.com'], 'last_modified': '2024-08-14T15:04:18', 'languages': ['eng'], 'parent_id': 'de1f74bf226224377ab4d8b54f215bb9', 'filetype': 'text/markdown', 'file_directory': './example_data', 'filename': 'example.md', 'category': 'NarrativeText', 'element_id': '898a542a261f7dc65e0072d1e847d535'}, page_content='OpenAI is an AI research organization.')

加载元素

在此示例中，我们将加载elementsmode，它将返回 Markdown 文档中不同元素的列表：

from langchain_community.document_loaders import UnstructuredMarkdownLoader

loader = UnstructuredMarkdownLoader(
    "./example_data/example.md",
    mode="elements",
    strategy="fast",
)

docs = loader.load()
len(docs)
29

如您所见，有 29 个元素是从example.md文件。第一个元素是预期的文档标题：

docs[0].page_content
'Sample Markdown Document'

API 参考

有关所有 UnstructuredMarkdownLoader 功能和配置的详细文档，请参阅 API 参考：https://python.langchain.com/api_reference/community/document_loaders/langchain_community.document_loaders.markdown.UnstructuredMarkdownLoader.html