文档加载器集成 - Docs by LangChain

文档加载器提供了一个标准接口，用于从不同来源（如 Slack、Notion 或 Google Drive）读取数据并将其转换为 LangChain 的 Document 格式。这确保了无论数据来源如何，都能以一致的方式处理数据。所有文档加载器都实现了 BaseLoader 接口。

接口

每个文档加载器可能定义自己的参数，但它们共享一个通用的 API：

load()：一次性加载所有文档。
loadAndSplit()：一次性加载所有文档，并将其分割成更小的文档。

import { CSVLoader } from "@langchain/community/document_loaders/fs/csv";

const loader = new CSVLoader(
  ...  // <-- 此处为集成特定参数
);
const data = await loader.load();

按类别

LangChain.js 以两种不同的方式对文档加载器进行分类：

文件加载器，从本地文件系统加载数据到 LangChain 格式。
Web 加载器，从远程源加载数据。

文件加载器

如果您想贡献一个集成，请参阅贡献集成。

PDF 文件

文档加载器	描述	包/API
`PDFLoader`	使用 pdf-parse 加载和解析 PDF 文件	包

常见文件类型

文档加载器	描述	包/API
CSV	从 CSV 文件加载数据，支持可配置的列提取	包
JSON	使用 JSON 指针加载 JSON 文件以定位特定键	包
`JSONLines`	从 JSONLines/JSONL 文件加载数据	包
`Text`	加载纯文本文件	包
`DOCX`	加载 Microsoft Word 文档（.docx 和 .doc 格式）	包
`EPUB`	加载 EPUB 文件，可选按章节分割	包
`PPTX`	加载 PowerPoint 演示文稿	包
`Subtitles`	加载字幕文件（.srt 格式）	包

专用文件加载器

文档加载器	描述	包/API
`DirectoryLoader`	从目录加载所有文件，支持自定义加载器映射	包
`UnstructuredLoader`	使用 Unstructured API 加载多种文件类型	API
`MultiFileLoader`	从多个独立文件路径加载数据	包
`ChatGPT`	加载 ChatGPT 对话导出	包
Notion Markdown	加载导出为 Markdown 的 Notion 页面	包
`OracleDocLoader`	摄取 Oracle AI Vector Search 表或 Oracle Text 支持的文件	包
OpenAI Whisper Audio	使用 OpenAI Whisper API 转录音频文件	API

Web 加载器

网页

文档加载器	描述	Web 支持	包/API
`Cheerio`	使用 Cheerio 加载网页（轻量级，不执行 JavaScript）	✅	包
`Playwright`	使用 Playwright 加载动态网页（支持 JavaScript 渲染）	❌	包
`Puppeteer`	使用 Puppeteer 加载动态网页（无头 Chrome）	❌	包
`FireCrawl`	爬取网站并将其转换为 LLM 就绪的 Markdown	✅	API
`Spider`	快速爬虫，将网站转换为 HTML、Markdown 或文本	✅	API
`RecursiveUrlLoader`	递归加载网页，遵循链接	❌	包
`Sitemap`	从 sitemap.xml 加载所有页面	✅	包
`Browserbase`	使用具有隐身模式的托管无头浏览器加载网页	✅	API
`WebPDFLoader`	在 Web 环境中加载 PDF 文件	✅	包

云提供商

文档加载器	描述	Web 支持	包/API
`S3`	从 AWS S3 存储桶加载文件	❌	包
Azure Blob Storage Container	从 Azure Blob Storage 容器加载所有文件	❌	包
Azure Blob Storage File	从 Azure Blob Storage 加载单个文件	❌	包
Google Cloud Storage	从 Google Cloud Storage 存储桶加载文件	❌	包
Google Cloud SQL for PostgreSQL	从 Cloud SQL PostgreSQL 数据库加载文档	✅	包

生产力工具

文档加载器	描述	Web 支持	包/API
Notion API	通过 API 加载 Notion 页面和数据库	✅	API
`Figma`	加载 Figma 文件数据	✅	API
`Confluence`	从 Confluence 空间加载页面	❌	API
`GitHub`	从 GitHub 仓库加载文件	✅	API
`GitBook`	加载 GitBook 文档页面	✅	包
`Jira`	从 Jira 项目加载问题	❌	API
`Airtable`	从 Airtable 基础加载记录	✅	API
`Taskade`	加载 Taskade 项目数据	✅	API

搜索与数据 API

文档加载器	描述	Web 支持	包/API
`SearchAPI`	从 SearchAPI 加载网络搜索结果（Google、YouTube 等）	✅	API
`SerpApi`	从 SerpApi 加载网络搜索结果	✅	API
Apify Dataset	从 Apify 平台加载抓取的数据	✅	API

音频与视频

文档加载器	描述	Web 支持	包/API
`YouTube`	加载 YouTube 视频字幕	✅	包
`AssemblyAI`	使用 AssemblyAI API 转录音频和视频文件	✅	API
`Soniox`	使用 Soniox API 转录多语言音频文件，可选翻译	✅	API
`Sonix`	使用 Sonix API 转录音频文件	❌	API

其他

文档加载器	描述	Web 支持	包/API
`Couchbase`	使用 SQL++ 查询从 Couchbase 数据库加载文档	✅	包
`LangSmith`	从 LangSmith 加载数据集和跟踪	✅	API
Hacker News	加载 Hacker News 帖子和评论	✅	包
`IMSDB`	从互联网电影剧本数据库加载电影剧本	✅	包
College Confidential	从 College Confidential 加载大学信息	✅	包
Blockchain Data	通过 Sort.xyz API 加载区块链数据（NFT、交易）	✅	API

​接口

​按类别

​文件加载器

​PDF 文件

​常见文件类型

​专用文件加载器

​Web 加载器

​网页

​云提供商

​生产力工具

​搜索与数据 API

​音频与视频

​其他

​所有文档加载器

Airtable

Apify Dataset

AssemblyAI Audio Transcript

Azure Blob Storage Container

Azure Blob Storage File

Blockchain Data

Browserbase

ChatGPT

Cheerio

College Confidential

Confluence

Couchbase

CSV

DirectoryLoader

DOCX

EPUB

Figma

FireCrawl

GitHub

GitBook

Google Cloud SQL for PostgreSQL

Google Cloud Storage

Hacker News

IMSDB

Jira

JSON

JSONLines

LangSmith

MultiFileLoader

Notion API

Notion Markdown

OpenAI Whisper Audio

OracleDocLoader

PDFLoader

Playwright

PPTX

Puppeteer

RecursiveUrlLoader

S3

SearchAPI

SerpApi

Sitemap

Soniox

Sonix Audio

Spider

Subtitles

Taskade

Text

UnstructuredLoader

WebPDFLoader

YouTube

接口

按类别

文件加载器

PDF 文件

常见文件类型

专用文件加载器

Web 加载器

网页

云提供商

生产力工具

搜索与数据 API

音频与视频

其他

所有文档加载器