Microsoft Word
Microsoft Word 是微软开发的一款文字处理器。
本文介绍了如何将Word文档加载到我们可以在下游使用的文档格式中。
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，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。
from langchain_community.document_loaders import UnstructuredWordDocumentLoader
loader = UnstructuredWordDocumentLoader("example_data/fake.docx")
data = loader.load()
data
[Document(page_content='Lorem ipsum dolor sit amet.', metadata={'source': 'example_data/fake.docx'})]
保留元素
在后台，Unstructured 为文本的不同块创建不同的“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"轻松地保持这种分离。
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 Form Recognizer）是一种基于机器学习的服务，可以从数字或扫描的 PDF、图像、Office 和 HTML 文件中提取文本（包括手写文本）、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
JPEG/JPG、PNG、BMP、TIFF、HEIF、DOCX、XLSX、PPTX和HTML。
使用文档智能的加载器的当前实现可以逐页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"以单个页面或按页面拆分的文档返回纯文本。
先决条件
在以下三个预览区域之一中使用 Azure AI 文档智能资源：美国东部、美国西部 2、西欧 - 如果您没有，请按照本文档创建。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()