Skip to main content
Microsoft Word 是由 Microsoft 开发的文字处理器。
本文档介绍如何将 Word 文档加载到可供下游使用的文档格式中。

​
使用 Docx2txt

使用 Docx2txt 将 .docx 加载到文档中。 
pip install -qU  docx2txt

from langchain_community.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

请参阅 Unstructured 以获取有关在本地设置 Unstructured 的更多说明，包括设置所需的系统依赖项。 
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

在底层，Unstructured 为不同的文本块创建不同的“元素”。默认情况下，我们会将它们组合在一起，但您可以通过指定 mode="elements" 来轻松保持这种分离。 
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 文档智能

Azure AI Document Intelligence（以前称为 Azure Form Recognizer）是一种基于机器学习的服务，可从数字或扫描的 PDF、图像、Office 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。 Document Intelligence 支持 PDF、JPEG/JPG、PNG、BMP、TIFF、HEIF、DOCX、XLSX、PPTX 和 HTML。
当前使用 Document Intelligence 的加载器实现可以按页面合并内容并将其转换为 LangChain 文档。默认输出格式为 Markdown，可以轻松与 MarkdownHeaderTextSplitter 链接以进行语义文档分块。您还可以使用 mode="single" 或 mode="page" 来返回单页的纯文本或按页面拆分的文档。

​
先决条件

在以下 3 个预览区域之一中拥有 Azure AI Document Intelligence 资源：East US、West US2、West Europe - 如果您没有，请按照此文档创建一个。您将把 <endpoint> 和 <key> 作为参数传递给加载器。 pip install -qU 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()
在 GitHub 上编辑此页面 或 提交问题。
通过 MCP 将这些文档连接到 Claude、VSCode 等 以获取实时答案。