跳到主要內容

Microsoft Word

Microsoft Word 是由 Microsoft 開發的文書處理器。

本文介紹如何將 Word 文件載入到我們可以下游使用的文件格式中。

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
API 參考：Docx2txtLoader
[Document(page_content='Lorem ipsum dolor sit amet.', metadata={'source': './example_data/fake.docx'})]

使用 Unstructured​

請參閱本指南，以獲取有關在本地設定 Unstructured 的更多說明，包括設定所需的系統相依性。

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 (Retain Elements)​

在底層，Unstructured 為不同的文字塊建立不同的「元素」。預設情況下，我們會將它們組合在一起，但您可以通過指定 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 (Using Azure AI Document Intelligence)​

Azure AI 文件智慧（以前稱為 Azure Form Recognizer）是基於機器學習的服務，可從數位或掃描的 PDF、影像、Office 和 HTML 檔案中提取文字（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 Document Intelligence 的載入器實作可以逐頁合併內容，並將其轉換為 LangChain 文件。預設輸出格式是 markdown，可以輕鬆與 MarkdownHeaderTextSplitter 鏈接，以實現語義文件分塊。您還可以使用 mode="single" 或 mode="page" 以單頁或按頁分割的文件形式返回純文字。

先決條件 (Prerequisite)​

在 3 個預覽區域之一中的 Azure AI 文件智慧資源：East US、West US2、West Europe - 按照本文件建立一個（如果您沒有的話）。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()

此頁面是否對您有所幫助？