Microsoft Word

Microsoft Word 是由 Microsoft 开发的文字处理软件。

本文介绍了如何将 Word 文档加载为我们可以在下游使用的文档格式。

使用 Docx2txt

使用 Docx2txt 将 .docx 文件加载为文档。

%pip install --upgrade --quiet  docx2txt

from langchain_community.document_loaders import Docx2txtLoader

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

data = loader.load()

data

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

使用 Unstructured

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.', lookup_str='', metadata={'source': 'fake.docx'}, lookup_index=0)]

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，我们将它们合并在一起，但您可以通过指定 mode="elements" 来保留该分离。

loader = UnstructuredWordDocumentLoader("example_data/fake.docx", mode="elements")

data = loader.load()

data[0]

Document(page_content='Lorem ipsum dolor sit amet.', lookup_str='', metadata={'source': 'fake.docx', 'filename': 'fake.docx', 'category': 'Title'}, lookup_index=0)

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、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，可以与 MarkdownHeaderTextSplitter 轻松链接以进行语义文档分块。您还可以使用 mode="single" 或 mode="page" 返回单个页面或按页面拆分的纯文本。

先决条件

在以下 3 个预览区域之一拥有 Azure AI 文档智能资源：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()