Microsoft Word

Microsoft Word 是由 Microsoft 开发的文字处理软件。

本文介绍了如何将 Word 文档加载到可以在下游使用的文档格式中。

使用 Docx2txt

使用 Docx2txt 将 .docx 文件加载到文档中。

!pip install docx2txt 

from langchain.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

使用 Unstructured 将 Word 文档加载到文档中。

from langchain.document_loaders import UnstructuredWordDocumentLoader

loader = UnstructuredWordDocumentLoader("example_data/fake.docx")

data = loader.load()

data

[Document(page_content='Lorem ipsum dolor sit amet.', lookup_str='', metadata={'source': 'fake.docx'}, lookup_index=0)]

Retain Elements

在底层，Unstructured 为不同的文本块创建不同的 "元素"。默认情况下，我们将它们合并在一起，但你可以通过指定 mode="elements" 来保持它们的分离。

loader = UnstructuredWordDocumentLoader("example_data/fake.docx", mode="elements")

data = loader.load()

data[0]

Document(page_content='Lorem ipsum dolor sit amet.', lookup_str='', metadata={'source': 'fake.docx', 'filename': 'fake.docx', 'category': 'Title'}, lookup_index=0)