微软 PowerPoint

微软 PowerPoint 是微软的一款演示文稿程序。

这里介绍了如何将 Microsoft PowerPoint 文档加载到我们可以在下游使用的文档格式中。

from langchain_community.document_loaders import UnstructuredPowerPointLoader

loader = UnstructuredPowerPointLoader("example_data/fake-power-point.pptx")

data = loader.load()

data

[Document(page_content='添加项目符号幻灯片\n\n查找项目符号幻灯片布局\n\n使用 _TextFrame.text 添加第一个项目符号\n\n使用 _TextFrame.add_paragraph() 添加后续项目符号\n\n这里有很多文本！\n\n这是文本框中的一些文本！', metadata={'source': 'example_data/fake-power-point.pptx'})]

保留元素

在幕后，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" 轻松保持分离。

loader = UnstructuredPowerPointLoader(
    "example_data/fake-power-point.pptx", mode="elements"
)

data = loader.load()

data[0]

Document(page_content='添加项目符号幻灯片', lookup_str='', metadata={'source': 'example_data/fake-power-point.pptx'}, lookup_index=0)

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 PDF、JPEG/JPG、PNG、BMP、TIFF、HEIF、DOCX、XLSX、PPTX 和 HTML。

使用 Document Intelligence 的当前实现可以将内容逐页合并，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" 返回单页或按页拆分的纯文本文档。

先决条件

在三个预览区域之一拥有 Azure AI 文档智能资源：东部美国、西部美国2、西欧 - 如果没有，请按照此文档创建一个。您将会将 <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()