Microsoft Word

Microsoft Word 是由微软开发的文字处理软件。

这部分介绍如何将 Word 文档加载为我们可以在后续使用的文档格式。

使用 Docx2txt

使用 Docx2txt 加载 .docx 文件到文档中。

%pip install --upgrade --quiet  docx2txt

<!--IMPORTS:[{"imported": "Docx2txtLoader", "source": "langchain_community.document_loaders", "docs": "https://python.langchain.com/api_reference/community/document_loaders/langchain_community.document_loaders.word_document.Docx2txtLoader.html", "title": "Microsoft Word"}]-->
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'})]

使用非结构化数据

请参阅本指南以获取有关在本地设置非结构化数据的更多说明，包括设置所需的系统依赖项。

<!--IMPORTS:[{"imported": "UnstructuredWordDocumentLoader", "source": "langchain_community.document_loaders", "docs": "https://python.langchain.com/api_reference/community/document_loaders/langchain_community.document_loaders.word_document.UnstructuredWordDocumentLoader.html", "title": "Microsoft Word"}]-->
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，非结构化数据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"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（前称Azure Form Recognizer）是一个机器学习 基础的服务，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PDF、JPEG/JPG、PNG、BMP、TIFF、HEIF、DOCX、XLSX、PPTX和HTML。

当前使用 文档智能 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" 返回单页的纯文本或按页面分割的文档。

前提条件

在以下 3 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、西部欧洲 - 如果您没有，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 Word"}]-->
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