Skip to main content

Microsoft PowerPoint

Microsoft PowerPoint 是微软的一款演示程序。

这涵盖了如何将 Microsoft PowerPoint 文档加载为我们可以在后续使用的文档格式。

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,请参见 本指南

# Install packages
%pip install unstructured
%pip install python-magic
%pip install python-pptx
<!--IMPORTS:[{"imported": "UnstructuredPowerPointLoader", "source": "langchain_community.document_loaders", "docs": "https://python.langchain.com/api_reference/community/document_loaders/langchain_community.document_loaders.powerpoint.UnstructuredPowerPointLoader.html", "title": "Microsoft PowerPoint"}]-->
from langchain_community.document_loaders import UnstructuredPowerPointLoader

loader = UnstructuredPowerPointLoader("./example_data/fake-power-point.pptx")

data = loader.load()

data
[Document(page_content='Adding a Bullet Slide\n\nFind the bullet slide layout\n\nUse _TextFrame.text for first bullet\n\nUse _TextFrame.add_paragraph() for subsequent bullets\n\nHere is a lot of text!\n\nHere is some text in a text box!', metadata={'source': './example_data/fake-power-point.pptx'})]

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,我们将这些元素组合在一起,但您可以通过指定 mode="elements" 来轻松保持这种分离。

loader = UnstructuredPowerPointLoader(
"./example_data/fake-power-point.pptx", mode="elements"
)

data = loader.load()

data[0]
Document(page_content='Adding a Bullet Slide', metadata={'source': './example_data/fake-power-point.pptx', 'category_depth': 0, 'file_directory': './example_data', 'filename': 'fake-power-point.pptx', 'last_modified': '2023-12-19T13:42:18', 'page_number': 1, 'languages': ['eng'], 'filetype': 'application/vnd.openxmlformats-officedocument.presentationml.presentation', 'category': 'Title'})

使用 Azure AI 文档智能

Azure AI 文档智能(前称 Azure Form Recognizer)是基于机器学习的 服务,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 从数字或扫描的 PDF、图像、Office 和 HTML 文件中。

文档智能支持 PDFJPEG/JPGPNGBMPTIFFHEIFDOCXXLSXPPTXHTML

当前使用 Document Intelligence 的加载器实现可以按页面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"mode="page" 返回单页或按页分割的纯文本。

先决条件

在以下三个预览区域之一创建 Azure AI 文档智能资源:东部美国西部美国2西欧 - 如果您还没有,请按照此文档创建一个。您将把 <endpoint><key> 作为参数传递给加载器。

%pip install --upgrade --quiet  langchain langchain-community azure-ai-documentintelligence
<!--IMPORTS:[{"imported": "AzureAIDocumentIntelligenceLoader", "source": "langchain_community.document_loaders", "docs": "https://python.langchain.com/api_reference/community/document_loaders/langchain_community.document_loaders.doc_intelligence.AzureAIDocumentIntelligenceLoader.html", "title": "Microsoft PowerPoint"}]-->
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


Was this page helpful?


You can also leave detailed feedback on GitHub.

扫我,入群扫我,找书