微软办公

微软办公 (opens in a new tab)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 (opens in a new tab)（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 (opens in a new tab)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 (opens in a new tab)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()