跳到主要内容
Open on GitHub

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。

本文介绍了如何将常用的文件格式(包括 DOCXXLSXPPTX 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(前身为 Azure 表单识别器)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(包括手写体)、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 PDFJPEG/JPGPNGBMPTIFFHEIFDOCXXLSXPPTXHTML

这种使用 Document Intelligence当前实现的加载器可以将内容逐页整合并将其转换为 LangChain 文档。默认输出格式是 Markdown,可以轻松地与 MarkdownHeaderTextSplitter 链接,用于语义文档分块。您还可以使用 mode="single"mode="page" 来返回单页或按页分割的文档中的纯文本。

先决条件

在以下 3 个预览区域之一拥有 Azure AI 文档智能资源:美国东部美国西部2西欧 - 如果您没有,请按照此文档创建一个。您将把 <endpoint><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()