Skip to main content
Open In ColabOpen on GitHub

Microsoft PowerPoint

Microsoft PowerPoint 是微软推出的演示文稿程序。

本文将介绍如何将 Microsoft PowerPoint 文档加载到一种可供下游使用的文档格式中。

请参阅此指南，了解有关本地设置 Unstructured 的更多说明，包括设置必需的系统依赖项。

# Install packages
%pip install unstructured
%pip install python-magic
%pip install python-pptx
from langchain_community.document_loaders import UnstructuredPowerPointLoader

loader = UnstructuredPowerPointLoader("./example_data/fake-power-point.pptx")

data = loader.load()

data
[Document(page_content='Adding a Bullet Slide\n\nFind the bullet slide layout\n\nUse _TextFrame.text for first bullet\n\nUse _TextFrame.add_paragraph() for subsequent bullets\n\nHere is a lot of text!\n\nHere is some text in a text box!', metadata={'source': './example_data/fake-power-point.pptx'})]

保留元素​

在底层，Unstructured 会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，但通过指定 mode="elements"，您可以轻松地保持这种分离。

loader = UnstructuredPowerPointLoader(
    "./example_data/fake-power-point.pptx", mode="elements"
)

data = loader.load()

data[0]
Document(page_content='Adding a Bullet Slide', metadata={'source': './example_data/fake-power-point.pptx', 'category_depth': 0, 'file_directory': './example_data', 'filename': 'fake-power-point.pptx', 'last_modified': '2023-12-19T13:42:18', 'page_number': 1, 'languages': ['eng'], 'filetype': 'application/vnd.openxmlformats-officedocument.presentationml.presentation', 'category': 'Title'})

使用 Azure AI Document Intelligence​

Azure AI Document Intelligence（以前称为 Azure Form Recognizer）是一项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（包括手写体）、表格、文档结构（例如标题、章节标题等）以及键值对。

Document Intelligence 支持 PDF、JPEG/JPG、PNG、BMP、TIFF、HEIF、DOCX、XLSX、PPTX 和 HTML。

此加载器的当前实现使用 Document Intelligence，可以逐页地整合内容并将其转换为 LangChain 文档。默认输出格式为 markdown，可以轻松地与 MarkdownHeaderTextSplitter 链接以进行语义文档分块。您还可以使用 mode="single" 或 mode="page" 来返回纯文本，在一个页面中或按页面分割的文档中返回。

先决条件​

需要一个 Azure AI Document Intelligence 资源，该资源位于以下三个预览区域之一：美国东部 East US、美国西部 2 West US2 或 西欧 West Europe - 如果您还没有该资源，请遵循此文档进行创建。您将把 <endpoint> 和 <key> 作为参数传递给加载器。

%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()