如何載入 Microsoft Office 檔案

Microsoft Office 生產力軟體套件包括 Microsoft Word、Microsoft Excel、Microsoft PowerPoint、Microsoft Outlook 和 Microsoft OneNote。它適用於 Microsoft Windows 和 macOS 作業系統。它也適用於 Android 和 iOS。

本節介紹如何將常用的檔案格式（包括 DOCX、XLSX 和 PPTX 文件）載入到 LangChain Document 物件中，以便我們可以在下游使用。

使用 AzureAIDocumentIntelligenceLoader 載入 DOCX、XLSX、PPTX

Azure AI 文件智慧（前身為 Azure Form Recognizer）是一種基於機器學習的服務，可從數位或掃描的 PDF、影像、Office 和 HTML 檔案中提取文本（包括手寫）、表格、文件結構（例如，標題、章節標題等）和鍵值對。文件智慧支援 PDF、JPEG/JPG、PNG、BMP、TIFF、HEIF、DOCX、XLSX、PPTX 和 HTML。

目前使用 文件智慧 的載入器實作可以逐頁整合內容，並將其轉換為 LangChain 文件。預設輸出格式為 Markdown，可以輕鬆地與 MarkdownHeaderTextSplitter 鏈接，以進行語意文件分塊。您也可以使用 mode="single" 或 mode="page" 來返回單頁或按頁分割的文件中的純文本。

先決條件

在 3 個預覽區域之一（美國東部、美國西部 2、西歐）中的 Azure AI 文件智慧資源 - 如果您沒有，請按照此文件建立一個。您將把 <endpoint> 和 <key> 作為參數傳遞給載入器。

%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()

API 參考：AzureAIDocumentIntelligenceLoader