如何加载 Microsoft Office 文件

Microsoft Office 生产力软件套件包括 Microsoft Word、Microsoft Excel、Microsoft PowerPoint、Microsoft Outlook 和 Microsoft OneNote。它适用于 Microsoft Windows 和 macOS 操作系统。它也适用于 Android 和 iOS。

本文介绍如何将常用的文件格式（包括 DOCX、XLSX 和 PPTX 文档）加载到 LangChain Document 对象中，以便我们可以在下游使用。

使用 AzureAIDocumentIntelligenceLoader 加载 DOCX、XLSX、PPTX

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、节标题等）和键值对。文档智能支持 PDF、JPEG/JPG、PNG、BMP、TIFF、HEIF、DOCX、XLSX、PPTX 和 HTML。

此当前实现的使用 Document Intelligence 的加载器可以逐页合并内容，并将其转换为 LangChain 文档。默认输出格式是 markdown，可以轻松地与 MarkdownHeaderTextSplitter 链接以进行语义文档分块。您也可以使用 mode="single" 或 mode="page" 以单页或按页分割的文档形式返回纯文本。

前提条件

在 3 个预览区域之一：美国东部、美国西部 2、西欧 中，拥有 Azure AI 文档智能资源 - 如果您没有，请按照本文档创建一个。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()

API 参考:AzureAIDocumentIntelligenceLoader