Microsoft Word
Microsoft Word 是由微软开发的文字处理软件。
这部分内容涵盖了如何将 Word
文档加载到我们可以在后续使用的文档格式中。
使用 Docx2txt
使用 Docx2txt
加载 .docx 文件到文档中。
%pip install --upgrade --quiet docx2txt
from langchain_community.document_loaders import Docx2txtLoader
loader = Docx2txtLoader("./example_data/fake.docx")
data = loader.load()
data
[Document(page_content='Lorem ipsum dolor sit amet.', metadata={'source': './example_data/fake.docx'})]
使用 Unstructured
请参阅 此指南 以获取有关本地设置 Unstructured 的更多说明,包括设置所需的系统依赖项。
from langchain_community.document_loaders import UnstructuredWordDocumentLoader
loader = UnstructuredWordDocumentLoader("example_data/fake.docx")
data = loader.load()
data
[Document(page_content='Lorem ipsum dolor sit amet.', metadata={'source': 'example_data/fake.docx'})]
保留元素
在后台,Unstructured 为不同的文本块创建不同的“元素”。默认情况下,我们将这些元素组合在一起,但您可以通过指定 mode="elements"
来轻松保持这种分离。
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 文档智能(以前称为
Azure Form Recognizer
)是一种基于机器学习的服务,可以从数字或扫描的 PDF、图像、Office 和 HTML 文件中提取文本(包括手写文本)、表格、文档结构(例如标题、章节标题等)和键值对。
文档智能支持
JPEG/JPG
、PNG
、BMP
、TIFF
、HEIF
、DOCX
、XLSX
、PPTX
和HTML
。
当前使用 文档智能
的加载器实现可以逐页整合内容并将其转换为 LangChain 文档。默认输出格式为 markdown,可以轻松与 MarkdownHeaderTextSplitter
链接,用于语义文档分块。您还可以使用 mode="single"
或 mode="page"
返回单页或按页分割的纯文本。
前提条件
在以下 3 个预览区域之一创建 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()