Microsoft Word

Microsoft Word 是由微软开发的文字处理器。

本文介绍如何将 Word 文档加载为我们可以下游使用的文档格式。

使用 Docx2txt

使用 Docx2txt 将 .docx 加载到文档中。

%pip install --upgrade --quiet  docx2txt

from langchain_community.document_loaders import Docx2txtLoader

loader = Docx2txtLoader("./example_data/fake.docx")

data = loader.load()

data

API 参考：Docx2txtLoader

[Document(page_content='Lorem ipsum dolor sit amet.', metadata={'source': './example_data/fake.docx'})]

使用 Unstructured

请参阅本指南，了解有关在本地设置 Unstructured 的更多说明，包括设置所需的系统依赖项。

from langchain_community.document_loaders import UnstructuredWordDocumentLoader

loader = UnstructuredWordDocumentLoader("example_data/fake.docx")

data = loader.load()

data

API 参考：UnstructuredWordDocumentLoader

[Document(page_content='Lorem ipsum dolor sit amet.', metadata={'source': 'example_data/fake.docx'})]

保留元素

在底层，Unstructured 为不同的文本块创建不同的“元素”。默认情况下，我们将它们组合在一起，但您可以通过指定 mode="elements" 轻松保持这种分离。

loader = 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 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）、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。

当前使用 文档智能 的加载器实现可以按页面方式合并内容并将其转换为 LangChain 文档。默认输出格式为 Markdown，可以轻松地与 MarkdownHeaderTextSplitter 链接以进行语义文档分块。您还可以使用 mode="single" 或 mode="page" 返回单个页面中的纯文本或按页面分割的文档。

先决条件

在 3 个预览区域之一中：美国东部、美国西部 2、西欧 中的 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

相关

• 文档加载器 概念指南
• 文档加载器 操作指南