Dedoc
此示例演示了 Dedoc 与 LangChain 结合作为 DocumentLoader 的用法。
概述
Dedoc 是一个 开源 库/服务，可从各种格式的文件中提取文本、表格、附件和文档结构（例如，标题、列表项等）。
Dedoc 支持 DOCX、XLSX、PPTX、EML、HTML、PDF、图像等。支持格式的完整列表可以在此处找到。
集成细节
| 类 | 包 | 本地 | 可序列化 | JS 支持 |
|---|---|---|---|---|
| DedocFileLoader | langchain_community | ❌ | beta | ❌ |
| DedocPDFLoader | langchain_community | ❌ | beta | ❌ |
| DedocAPIFileLoader | langchain_community | ❌ | beta | ❌ |
加载器功能
惰性加载和异步加载的方法可用，但实际上，文档加载是同步执行的。
| 来源 | 文档惰性加载 | 异步支持 |
|---|---|---|
| DedocFileLoader | ❌ | ❌ |
| DedocPDFLoader | ❌ | ❌ |
| DedocAPIFileLoader | ❌ | ❌ |
设置
- 要访问
DedocFileLoader和DedocPDFLoader文档加载器，您需要安装dedoc集成包。 - 要访问
DedocAPIFileLoader，您需要运行Dedoc服务，例如Docker容器（详情请参阅 文档）
docker pull dedocproject/dedoc
docker run -p 1231:1231
Dedoc 安装说明在此处给出。
# Install package
%pip install --quiet "dedoc[torch]"
Note: you may need to restart the kernel to use updated packages.
实例化
from langchain_community.document_loaders import DedocFileLoader
loader = DedocFileLoader("./example_data/state_of_the_union.txt")
加载
docs = loader.load()
docs[0].page_content[:100]
'\nMadam Speaker, Madam Vice President, our First Lady and Second Gentleman. Members of Congress and t'
惰性加载
docs = loader.lazy_load()
for doc in docs:
print(doc.page_content[:100])
break
Madam Speaker, Madam Vice President, our First Lady and Second Gentleman. Members of Congress and t
API 参考
有关配置和调用 Dedoc 加载器的详细信息，请参阅 API 参考
- https://python.langchain.ac.cn/api_reference/community/document_loaders/langchain_community.document_loaders.dedoc.DedocFileLoader.html
- https://python.langchain.ac.cn/api_reference/community/document_loaders/langchain_community.document_loaders.pdf.DedocPDFLoader.html
- https://python.langchain.ac.cn/api_reference/community/document_loaders/langchain_community.document_loaders.dedoc.DedocAPIFileLoader.html
加载任何文件
为了自动处理 支持的格式 中的任何文件，DedocFileLoader 非常有用。文件加载器使用正确的扩展名自动检测文件类型。
文件解析过程可以通过 DedocFileLoader 类初始化期间的 dedoc_kwargs 进行配置。这里给出了一些选项用法的基本示例，请参阅 DedocFileLoader 和 dedoc 文档 的文档，以获取有关配置参数的更多详细信息。
基本示例
from langchain_community.document_loaders import DedocFileLoader
loader = DedocFileLoader("./example_data/state_of_the_union.txt")
docs = loader.load()
docs[0].page_content[:400]
'\nMadam Speaker, Madam Vice President, our First Lady and Second Gentleman. Members of Congress and the Cabinet. Justices of the Supreme Court. My fellow Americans. \n\n\n\nLast year COVID-19 kept us apart. This year we are finally together again. \n\n\n\nTonight, we meet as Democrats Republicans and Independents. But most importantly as Americans. \n\n\n\nWith a duty to one another to the American people to '
拆分模式
DedocFileLoader 支持将文档拆分为不同类型的部件（每个部件单独返回）。为此，split 参数与以下选项一起使用
document(默认值)：文档文本作为单个 langchainDocument对象返回（不拆分）；page：将文档文本拆分为页面（适用于PDF、DJVU、PPTX、PPT、ODP）；node：将文档文本拆分为Dedoc树节点（标题节点、列表项节点、原始文本节点）；line：将文档文本拆分为文本行。
loader = DedocFileLoader(
"./example_data/layout-parser-paper.pdf",
split="page",
pages=":2",
)
docs = loader.load()
len(docs)
2
处理表格
当在加载器初始化期间将 with_tables 参数设置为 True 时（默认情况下为 with_tables=True），DedocFileLoader 支持表格处理。
表格不拆分 - 每个表格对应一个 langchain Document 对象。对于表格，Document 对象具有额外的 metadata 字段 type="table" 和带有表格 HTML 表示形式的 text_as_html。
loader = DedocFileLoader("./example_data/mlb_teams_2012.csv")
docs = loader.load()
docs[1].metadata["type"], docs[1].metadata["text_as_html"][:200]
('table',
'<table border="1" style="border-collapse: collapse; width: 100%;">\n<tbody>\n<tr>\n<td colspan="1" rowspan="1">Team</td>\n<td colspan="1" rowspan="1"> "Payroll (millions)"</td>\n<td colspan="1" r')
处理附件
当在加载器初始化期间将 with_attachments 设置为 True 时（默认情况下为 with_attachments=False），DedocFileLoader 支持附件处理。
附件根据 split 参数进行拆分。对于附件，langchain Document 对象具有额外的元数据字段 type="attachment"。
loader = DedocFileLoader(
"./example_data/fake-email-attachment.eml",
with_attachments=True,
)
docs = loader.load()
docs[1].metadata["type"], docs[1].page_content
('attachment',
'\nContent-Type\nmultipart/mixed; boundary="0000000000005d654405f082adb7"\nDate\nFri, 23 Dec 2022 12:08:48 -0600\nFrom\nMallori Harrell <mallori@unstructured.io>\nMIME-Version\n1.0\nMessage-ID\n<CAPgNNXSzLVJ-d1OCX_TjFgJU7ugtQrjFybPtAMmmYZzphxNFYg@mail.gmail.com>\nSubject\nFake email with attachment\nTo\nMallori Harrell <mallori@unstructured.io>')
加载 PDF 文件
如果您只想处理 PDF 文档，可以使用仅支持 PDF 的 DedocPDFLoader。加载器支持相同的参数，用于文档拆分、表格和附件提取。
Dedoc 可以提取带有或不带有文本层的 PDF，并自动检测其存在性和正确性。有几个 PDF 处理程序可用，您可以使用 pdf_with_text_layer 参数选择其中一个。请参阅 参数描述 以获取更多详细信息。
对于没有文本层的 PDF，应安装 Tesseract OCR 及其语言包。在这种情况下，该说明可能很有用。
from langchain_community.document_loaders import DedocPDFLoader
loader = DedocPDFLoader(
"./example_data/layout-parser-paper.pdf", pdf_with_text_layer="true", pages="2:2"
)
docs = loader.load()
docs[0].page_content[:400]
'\n2\n\nZ. Shen et al.\n\n37], layout detection [38, 22], table detection [26], and scene text detection [4].\n\nA generalized learning-based framework dramatically reduces the need for the\n\nmanual specification of complicated rules, which is the status quo with traditional\n\nmethods. DL has the potential to transform DIA pipelines and benefit a broad\n\nspectrum of large-scale document digitization projects.\n'
Dedoc API
如果您想在较少设置的情况下启动并运行，可以将 Dedoc 用作服务。DedocAPIFileLoader 可以在不安装 dedoc 库的情况下使用。 加载器支持与 DedocFileLoader 相同的参数，并且还自动检测输入文件类型。
要使用 DedocAPIFileLoader，您应该运行 Dedoc 服务，例如 Docker 容器（详情请参阅 文档）
docker pull dedocproject/dedoc
docker run -p 1231:1231
请不要在您的代码中使用我们的演示 URL https://dedoc-readme.hf.space。
from langchain_community.document_loaders import DedocAPIFileLoader
loader = DedocAPIFileLoader(
"./example_data/state_of_the_union.txt",
url="https://dedoc-readme.hf.space",
)
docs = loader.load()
docs[0].page_content[:400]
'\nMadam Speaker, Madam Vice President, our First Lady and Second Gentleman. Members of Congress and the Cabinet. Justices of the Supreme Court. My fellow Americans. \n\n\n\nLast year COVID-19 kept us apart. This year we are finally together again. \n\n\n\nTonight, we meet as Democrats Republicans and Independents. But most importantly as Americans. \n\n\n\nWith a duty to one another to the American people to '