MSGToDocument

将 Microsoft Outlook .msg 文件转换为文档。


pipeline 中的最常见位置	在预处理器之前，或在索引管道的开头。
强制运行变量	"sources": .msg 文件路径或 ByteStream 对象的列表
输出变量	"documents": 文档列表 "attachments": ByteStream 对象的列表，表示文件附件
API 参考	Converters (转换器)
GitHub 链接	https://github.com/deepset-ai/haystack/blob/main/haystack/components/converters/msg.py

概述

该MSGToDocument 组件可将 Microsoft Outlook.msg 文件转换为文档。此组件可提取电子邮件元数据（如发件人、收件人、抄送、密送、主题）和正文内容。此外，.msg 文件中的任何附件都将作为.msg 文件中的附件将被提取为ByteStream 对象。

用法

首先，请安装python-oxmsg 包以开始使用此转换器

pip install python-oxmsg

单独使用

from haystack.components.converters.msg import MSGToDocument
from datetime import datetime

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

print(documents[0].content)

在 pipeline 中

以下设置可实现对 Haystack 管道中的.msg 电子邮件文件的有效提取、预处理和索引

from haystack import Pipeline
from haystack.document_stores.in_memory import InMemoryDocumentStore
from haystack.components.routers import FileTypeRouter
from haystack.components.converters import MSGToDocument
from haystack.components.writers import DocumentWriter

router = FileTypeRouter(mime_types=["application/vnd.ms-outlook"])
document_store = InMemoryDocumentStore()

pipeline = Pipeline()
pipeline.add_component("router", router)
pipeline.add_component("converter", MSGToDocument())
pipeline.add_component("writer", DocumentWriter(document_store=document_store))

pipeline.connect("router.application/vnd.ms-outlook", "converter.sources")
pipeline.connect("converter.documents", "writer.documents")

file_names = ["email1.msg", "email2.msg"]
pipeline.run({"converter": {"sources": file_names}})

更新于 8 个月前