如何加载Microsoft Office文件

Microsoft Office 生产力软件套件包括 Microsoft Word、Microsoft Excel、Microsoft PowerPoint、Microsoft Outlook 和 Microsoft OneNote。它适用于 Microsoft Windows 和 macOS 操作系统。也可以在 Android 和 iOS 上使用。

这涵盖了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​

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）、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。

这个当前实现的加载器使用Document Intelligence可以逐页整合内容并将其转换为LangChain文档。默认的输出格式是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"来返回单页的纯文本或按页分割的文档。

先决条件​

一个位于以下三个预览区域之一的Azure AI文档智能资源：美国东部、美国西部2、西欧 - 如果您没有，请按照此文档创建一个。您将传递和作为加载器的参数。

%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()