DOCXToDocument

将 DOCX 文件转换为文档。


pipeline 中的最常见位置	在预处理器之前或索引管道的开始处
强制运行变量	"sources": DOCX 文件路径或 `ByteStream` 对象
输出变量	"documents": 文档列表
API 参考	Converters (转换器)
GitHub 链接	https://github.com/deepset-ai/haystack/blob/main/haystack/components/converters/docx.py

概述

该 DOCXToDocument 组件将 DOCX 文件转换为文档。它接受文件路径列表或 ByteStream 对象作为输入，并将转换后的结果作为文档列表输出。通过定义表格格式（CSV 或 Markdown），您可以使用此组件提取 DOCX 文件中的表格。可选地，您可以通过 meta 输入参数为文档附加元数据。

用法

首先，请安装包即可开始使用此转换器。

pip install python-docx

单独使用

from haystack.components.converters.docx import DOCXToDocument, DOCXTableFormat

converter = DOCXToDocument()
# or define the table format
converter = DOCXToDocument(table_format=DOCXTableFormat.CSV)

results = converter.run(sources=["sample.docx"], meta={"date_added": datetime.now().isoformat()})
documents = results["documents"]

print(documents[0].content)

# 'This is the text from the DOCX file.'

在 pipeline 中

from haystack import Pipeline
from haystack.document_stores.in_memory import InMemoryDocumentStore
from haystack.components.converters import DOCXToDocument
from haystack.components.preprocessors import DocumentCleaner
from haystack.components.preprocessors import DocumentSplitter
from haystack.components.writers import DocumentWriter

document_store = InMemoryDocumentStore()

pipeline = Pipeline()
pipeline.add_component("converter", DOCXToDocument())
pipeline.add_component("cleaner", DocumentCleaner())
pipeline.add_component("splitter", DocumentSplitter(split_by="sentence", split_length=5))
pipeline.add_component("writer", DocumentWriter(document_store=document_store))
pipeline.connect("converter", "cleaner")
pipeline.connect("cleaner", "splitter")
pipeline.connect("splitter", "writer")

pipeline.run({"converter": {"sources": file_names}})

更新于 11 个月前