Office文件（OfficeFile）

微软办公

微软办公生产力软件套件包括 Microsoft Word、Microsoft Excel、Microsoft PowerPoint、Microsoft Outlook 和 Microsoft OneNote。它适用于 Microsoft Windows 和 macOS 操作系统。同时也适用于 Android 和 iOS。

这涵盖了如何将常用的文件格式，包括 DOCX、XLSX 和 PPTX 文档加载到我们可以在下游使用的文档格式中。

使用 AzureAIDocumentIntelligenceLoader 加载 DOCX、XLSX、PPTX

Azure AI 文档智能（以前称为 Azure表单识别）是一项基于机器学习的服务，从数字或扫描的 PDF、图像、办公和 HTML 文件中提取文本（包括手写）、表格、文档结构（例如标题、章节标题等）和键值对。文档智能支持 PDF、JPEG/JPG、PNG、BMP、TIFF、HEIF、DOCX、XLSX、PPTX 和 HTML。

这个使用 文档智能 的当前实现的加载程序可以将内容以页面为单位合并，并将其转换为 LangChain 文档。默认的输出格式是 markdown，可以很容易地与 MarkdownHeaderTextSplitter 链接，用于语义文档划分。您还可以使用 mode="single" 或 mode="page" 以单页或按页拆分的形式返回纯文本。

先决条件

在 3 个预览区域之一拥有 Azure AI 文档智能资源：East US、West US2、West Europe - 如果没有，请按照此文档进行创建。您将会传递 <endpoint> 和 <key> 作为加载器的参数。

%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()

Markdown PDF