Kwangmin Kim - Microsoft Word

Microsoft Word는 Microsoft에서 개발한 워드 프로세서입니다.

이는 Word 문서를 하류에서 사용할 수 있는 문서 형식으로 로드하는 방법을 다룹니다.

1 Docx2txtLoader

Docx2txt를 사용하여 .docx 파일을 문서로 불러올 수 있습니다.

# 설치
# !pip install -qU docx2txt

from langchain_community.document_loaders import Docx2txtLoader

loader = Docx2txtLoader("./data/sample-word-document.docx")  # 문서 로더 초기화

docs = loader.load()  # 문서 로딩

print(len(docs))

2 UnstructuredWordDocumentLoader

from langchain_community.document_loaders import UnstructuredWordDocumentLoader

# 비구조화된 워드 문서 로더 인스턴스화
loader = UnstructuredWordDocumentLoader("./data/sample-word-document.docx")

# 문서 로드
docs = loader.load()

print(len(docs))

결과는 1개의 단일 Document 로 로드됩니다.

# metadata 출력
print(docs[0].metadata)

내부적으로 비정형은 텍스트 덩어리마다 서로 다른 “요소”를 만듭니다.

기본적으로 이들은 함께 결합되어 있지만 mode="elements" 를 지정하여 쉽게 분리할 수 있습니다.

# UnstructuredWordDocumentLoader
loader = UnstructuredWordDocumentLoader(
    "./data/sample-word-document.docx", mode="elements"
)

# 데이터 로드
docs = loader.load()

# 로드한 문서의 개수 출력
print(len(docs))

# 첫번째 문서의 내용 출력
print(docs[0].page_content)

# 첫번째 문서의 내용 출력
docs[0].metadata