Microsoft Word

Microsoft Word 是由微软开发的文字处理软件。

这涵盖了如何将Word文档加载到我们可以用于下游处理的文档格式中。

使用 Docx2txt​

使用Docx2txt将.docx加载到文档中。

%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'})]

使用非结构化​

请参阅本指南以获取有关在本地设置Unstructured的更多说明，包括设置所需的系统依赖项。

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.', metadata={'source': 'example_data/fake.docx'})]

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，我们会将这些元素组合在一起，但你可以通过指定 mode="elements" 轻松保持这种分离。

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

data = loader.load()

data[0]

Document(page_content='Lorem ipsum dolor sit amet.', metadata={'source': './example_data/fake.docx', 'category_depth': 0, 'file_directory': './example_data', 'filename': 'fake.docx', 'last_modified': '2023-12-19T13:42:18', 'languages': ['por', 'cat'], 'filetype': 'application/vnd.openxmlformats-officedocument.wordprocessingml.document', 'category': 'Title'})

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）、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。

当前使用Document Intelligence实现的加载器可以逐页整合内容并将其转换为LangChain文档。默认输出格式为markdown，可以轻松与MarkdownHeaderTextSplitter链接以进行语义文档分块。您还可以使用mode="single"或mode="page"来返回单页中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()

相关​

• 文档加载器 概念指南
• 文档加载器 操作指南