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()