如何加载 Microsoft Office 文件

Microsoft Office 办公软件套件包括 Microsoft Word、Microsoft Excel、Microsoft PowerPoint、Microsoft Outlook 和 Microsoft OneNote。它适用于 Microsoft Windows 和 macOS 操作系统。它也可在 Android 和 iOS 上使用。

这部分内容涵盖如何将常用文件格式，包括 DOCX、XLSX 和 PPTX 文档加载到 LangChain Document 对象中，以便我们可以在后续处理中使用。

使用 AzureAIDocumentIntelligenceLoader 加载 DOCX、XLSX、PPTX

Azure AI Document Intelligence（前称 Azure Form Recognizer）是一个基于机器学习的服务，能够从数字或扫描的 PDF、图像、Office 和 HTML 文件中提取文本（包括手写）、表格、文档结构（例如标题、章节标题等）以及键值对。Document Intelligence 支持 PDF、JPEG/JPG、PNG、BMP、TIFF、HEIF、DOCX、XLSX、PPTX 和 HTML。

此 当前实现 的加载器使用 Document Intelligence 可以按页面整合内容并将其转化为 LangChain 文档。默认输出格式为 markdown，可以轻松与 MarkdownHeaderTextSplitter 链接进行语义文档分块。您还可以使用 mode="single" 或 mode="page" 返回单页或按页分割的纯文本。

前提条件

在以下三个预览区域之一中创建一个 Azure AI Document Intelligence 资源：东部美国、西部美国2、西欧 - 如果您还没有，请按照 此文档 创建一个。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()