轻松加载Microsoft Office文件：Azure AI Document Intelligence的强大工具

最新推荐文章于 2025-02-13 14:30:50 发布

原创最新推荐文章于 2025-02-13 14:30:50 发布 · 1.9k 阅读

19 ·

CC 4.0 BY-SA版权

文章标签：

#microsoft #azure #人工智能 #python

轻松加载Microsoft Office文件：Azure AI Document Intelligence的强大工具

引言

在当今的工作环境中，Microsoft Office套件是必不可少的工具，包括常用的Word、Excel、PowerPoint等。开发者经常需要从这些文件中提取信息以作进一步处理。本篇文章将介绍如何使用Azure AI Document Intelligence加载DOCX、XLSX和PPTX文件，并将其转换为LangChain Document对象，助力下游处理。

主要内容

Azure AI Document Intelligence简介

Azure AI Document Intelligence（前称Azure Form Recognizer）是一个基于机器学习的服务，可从数字或扫描的PDF、图像、Office及HTML文件中提取文本（包括手写）、表格、文档结构（如标题、章节标题等）和键值对。

该服务支持的文件格式包括PDF、JPEG/JPG、PNG、BMP、TIFF、HEIF、DOCX、XLSX、PPTX和HTML。它能按页加载内容并将其转化为LangChain文档，默认为Markdown格式，方便进一步的语义分块处理。

准备工作

要使用Azure AI Document Intelligence，首先需要在以下三个预览区域之一（East US, West US 2, West Europe）创建一个Azure AI Document Intelligence资源。如果您尚未创建资源，请参考此文档进行创建。创建资源后，您将获得一个<endpoint>和<key>用于API调用。

接下来，请确保安装必要的Python库：

%pip install --upgrade --quiet langchain langchain-community azure-ai-documentintelligence

代码示例

以下代码示例展示了如何使用Azure AI Document Intelligence加载Office文件：

from langchain_community.document_loaders import AzureAIDocumentIntelligenceLoader

# 文件路径
file_path = "<filepath>"

# Azure AI Document Intelligence的API端点和密钥
endpoint = "<endpoint>"
key = "<key>"

# 使用API代理服务提高访问稳定性
loader = AzureAIDocumentIntelligenceLoader(
    api_endpoint=endpoint, api_key=key, file_path=file_path, api_model="prebuilt-layout"
)

# 加载文档
documents = loader.load()

# 处理加载的文档
for document in documents:
    print(document)