PPTXToDocument
将 PPTX 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": PPTX 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/pptx.py |
概述
该 PPTXToDocument 组件将 PPTX 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。您可以选择通过 meta 输入参数为文档附加元数据。
用法
首先，请安装python-pptx 包开始使用此转换器。
pip install python-pptx
单独使用
from haystack.components.converters import PPTXToDocument
converter = PPTXToDocument()
results = converter.run(sources=["sample.pptx"], meta={"date_added": datetime.now().isoformat()})
documents = results["documents"]
print(documents[0].content)
# 'This is the text from the PPTX file.'
在 pipeline 中
from haystack import Pipeline
from haystack.document_stores.in_memory import InMemoryDocumentStore
from haystack.components.converters import PPTXToDocument
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", PPTXToDocument())
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 大约 1 年前