Microsoft Word
Microsoft Word 是由 Microsoft 開發的文書處理器。
本節介紹如何將 Word 文件載入為我們可以下游使用的文件格式。
使用 Docx2txt
使用 Docx2txt 將 .docx 載入到文件中。
%pip install --upgrade --quiet docx2txt
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 Unstructured
請參閱本指南，以取得關於在本機設定 Unstructured 的更多說明，包括設定所需的系統依賴項。
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
在底層，Unstructured 為不同的文字區塊建立不同的「元素」。預設情況下，我們會將這些元素組合在一起，但您可以透過指定 mode="elements" 輕鬆保持這種分離。
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 文件智慧
Azure AI 文件智慧（前身為
Azure Form Recognizer）是基於機器學習的服務，可從數位或掃描的 PDF、圖像、Office 和 HTML 檔案中擷取文字（包括手寫）、表格、文件結構（例如，標題、章節標題等）和鍵值對。Document Intelligence 支援
JPEG/JPG、PNG、BMP、TIFF、HEIF、DOCX、XLSX、PPTX和HTML。
目前使用 Document Intelligence 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 鏈結，以進行語意文件分塊。您也可以使用 mode="single" 或 mode="page" 來傳回單頁或按頁面分割的文件中的純文字。
先決條件
在 3 個預覽區域之一中建立 Azure AI 文件智慧資源：美國東部、美國西部 2、西歐 - 如果您沒有，請依照此文件建立一個。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()