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
JPEG/JPG
、PNG
、BMP
、TIFF
、HEIF
、DOCX
、XLSX
、PPTX
和HTML
。
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"
或 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>
和 <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()