如何加载 Microsoft Office 文件

Microsoft Office 是一套办公软件套件，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。它也可在 Android 和 iOS 上使用。

本文介绍如何将常用的文件格式，包括 DOCX、XLSX 和 PPTX 文档加载到 LangChain 的 Document 对象中，以便我们在下游使用。

使用 AzureAIDocumentIntelligenceLoader 加载 DOCX、XLSX、PPTX 文件

Azure AI Document Intelligence（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（包括手写文字）、表格、文档结构（例如标题、章节标题等）和键值对。Document Intelligence 支持 PDF、JPEG/JPG、PNG、BMP、TIFF、HEIF、DOCX、XLSX、PPTX 和 HTML。

这个 当前实现 使用 Document Intelligence 的加载器可以将内容逐页地合并，并将其转换为 LangChain 文档。默认的输出格式是 markdown，可以与 MarkdownHeaderTextSplitter 轻松地进行语义化文档分块。您还可以使用 mode="single" 或 mode="page" 来返回单个页面中的纯文本，或者按页面拆分的文档。

先决条件

在以下 3 个预览区域之一拥有 Azure AI Document Intelligence 资源：East US、West US2、West Europe - 如果没有，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()