微软 PowerPoint
Microsoft PowerPoint 是 Microsoft 的一款演示文稿程序。
这介绍了如何将 Microsoft PowerPoint
文档加载到可供下游使用的文档格式中。
请参阅本指南,以获取有关在本地设置 Unstructured 的更多说明,包括设置所需的系统依赖项。
# Install packages
%pip install unstructured
%pip install python-magic
%pip install python-pptx
from langchain_community.document_loaders import UnstructuredPowerPointLoader
loader = UnstructuredPowerPointLoader("./example_data/fake-power-point.pptx")
data = loader.load()
data
API 参考:UnstructuredPowerPointLoader
[Document(page_content='Adding a Bullet Slide\n\nFind the bullet slide layout\n\nUse _TextFrame.text for first bullet\n\nUse _TextFrame.add_paragraph() for subsequent bullets\n\nHere is a lot of text!\n\nHere is some text in a text box!', metadata={'source': './example_data/fake-power-point.pptx'})]
保留元素
在底层,Unstructured
会为不同的文本块创建不同的“元素”。默认情况下,我们会将它们组合在一起,但您可以通过指定 mode="elements"
轻松保持这种分离。
loader = UnstructuredPowerPointLoader(
"./example_data/fake-power-point.pptx", mode="elements"
)
data = loader.load()
data[0]
Document(page_content='Adding a Bullet Slide', metadata={'source': './example_data/fake-power-point.pptx', 'category_depth': 0, 'file_directory': './example_data', 'filename': 'fake-power-point.pptx', 'last_modified': '2023-12-19T13:42:18', 'page_number': 1, 'languages': ['eng'], 'filetype': 'application/vnd.openxmlformats-officedocument.presentationml.presentation', 'category': 'Title'})
使用 Azure AI 文档智能
Azure AI 文档智能(以前称为
Azure Form Recognizer
)是一项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、章节标题等)以及键值对。文档智能支持
JPEG/JPG
、PNG
、BMP
、TIFF
、HEIF
、DOCX
、XLSX
、PPTX
和HTML
。
此加载器使用文档智能的当前实现可以按页集成内容,并将其转换为 LangChain 文档。默认输出格式是 Markdown,可以轻松与 MarkdownHeaderTextSplitter
链式调用以进行语义文档分块。您也可以使用 mode="single"
或 mode="page"
以返回单页或按页拆分的纯文本文档。
先决条件
在以下 3 个预览区域之一中创建一个 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>
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()