AmazonTextractPDFLoader

class langchain_community.document_loaders.pdf.AmazonTextractPDFLoader(file_path: str, textract_features: Sequence[str] | None = None, client: Any | None = None, credentials_profile_name: str | None = None, region_name: str | None = None, endpoint_url: str | None = None, headers: Dict | None = None, *, linearization_config: TextLinearizationConfig | None = None)

从本地文件系统、HTTP 或 S3 加载 PDF 文件。

为了进行身份验证，AWS客户端使用以下方法自动加载凭据： https://boto3.amazonaws.com/v1/documentation/api/latest/guide/credentials.html

如果应该使用特定的凭证配置文件，您必须传递要使用的来自~/.aws/credentials文件的配置文件的名称。

确保使用的凭据/角色具有访问Amazon Textract服务所需的策略。

示例

初始化加载器。

Parameters:

• file_path (str) – 输入文件的文件路径、URL或S3路径

• textract_features (Sequence[str] | None) – 用于提取的特征，每个特征应作为符合枚举Textract_Features的字符串传递，参见amazon-textract-caller包

• client (Any | None) – boto3 textract 客户端（可选）

• credentials_profile_name (str | None) – AWS 配置文件名称，如果不是默认的（可选）

• region_name (str | None) – AWS 区域，例如 us-east-1（可选）

• endpoint_url (str | None) – textract服务的端点URL（可选）

• linearization_config (TextLinearizationConfig | None) – 用于输出线性化的配置 应该是来自 textractor 包的 TextLinearizationConfig 的实例

• headers (Dict | None)

属性

source

方法

__init__(file_path[, textract_features, ...])	初始化加载器。
alazy_load()	文档的懒加载器。
aload()	将数据加载到Document对象中。
lazy_load()	懒加载文档
load()	将给定路径加载为页面。
load_and_split([text_splitter])	加载文档并将其分割成块。

__init__(file_path: str, textract_features: Sequence[str] | None = None, client: Any | None = None, credentials_profile_name: str | None = None, region_name: str | None = None, endpoint_url: str | None = None, headers: Dict | None = None, *, linearization_config: TextLinearizationConfig | None = None) → None

初始化加载器。

Parameters:

• file_path (str) – 输入文件的文件路径、URL或S3路径

• textract_features (Sequence[str] | None) – 用于提取的特征，每个特征应作为符合枚举Textract_Features的字符串传递，参见amazon-textract-caller包

• client (Any | None) – boto3 textract 客户端（可选）

• credentials_profile_name (str | None) – AWS 配置文件名称，如果不是默认的（可选）

• region_name (str | None) – AWS 区域，例如 us-east-1（可选）

• endpoint_url (str | None) – textract服务的端点URL（可选）

• linearization_config (TextLinearizationConfig | None) – 用于输出线性化的配置 应该是来自 textractor 包的 TextLinearizationConfig 的实例

• headers (Dict | None)

Return type:

无

async alazy_load() → AsyncIterator[Document]

文档的懒加载器。

Return type:

AsyncIterator[Document]

async aload() → list[Document]

将数据加载到Document对象中。

Return type:

列表[Document]

lazy_load() → Iterator[Document]

懒加载文档

Return type:

迭代器[文档]

load() → List[Document]

将给定路径加载为页面。

Return type:

列表[文档]

load_and_split(text_splitter: TextSplitter | None = None) → list[Document]

加载文档并将其分割成块。块以文档形式返回。

不要重写此方法。它应该被视为已弃用！

Parameters:

text_splitter (可选[TextSplitter]) – 用于分割文档的TextSplitter实例。 默认为RecursiveCharacterTextSplitter。

Returns:

文档列表。

Return type:

列表[Document]

使用 AmazonTextractPDFLoader 的示例

• AWS

• Amazon Textract