如何載入 HTML

超文本標記語言或 HTML 是設計用於在網頁瀏覽器中顯示的文件的標準標記語言。

這涵蓋了如何將 HTML 文件載入到 LangChain Document 物件中，以便我們可以在下游使用。

解析 HTML 檔案通常需要專門的工具。在這裡，我們示範透過 Unstructured 和 BeautifulSoup4 進行解析，這些工具可以透過 pip 安裝。前往整合頁面以尋找與其他服務的整合，例如 Azure AI 文件智慧 或 FireCrawl。

使用 Unstructured 載入 HTML

%pip install unstructured

from langchain_community.document_loaders import UnstructuredHTMLLoader

file_path = "../../docs/integrations/document_loaders/example_data/fake-content.html"

loader = UnstructuredHTMLLoader(file_path)
data = loader.load()

print(data)

API 參考：UnstructuredHTMLLoader

[Document(page_content='My First Heading\n\nMy first paragraph.', metadata={'source': '../../docs/integrations/document_loaders/example_data/fake-content.html'})]

使用 BeautifulSoup4 載入 HTML

我們也可以使用 BeautifulSoup4 透過 BSHTMLLoader 載入 HTML 文件。這會從 HTML 中提取文字到 page_content 中，並將頁面標題作為 title 提取到 metadata 中。

%pip install bs4

from langchain_community.document_loaders import BSHTMLLoader

loader = BSHTMLLoader(file_path)
data = loader.load()

print(data)

API 參考：BSHTMLLoader

[Document(page_content='\nTest Title\n\n\nMy First Heading\nMy first paragraph.\n\n\n', metadata={'source': '../../docs/integrations/document_loaders/example_data/fake-content.html', 'title': 'Test Title'})]