传统办公文档阅读器¶

LegacyOfficeReader 是用于读取 Word-97(.doc) 文件的解析器。其底层采用 Apache Tika 实现文件解析。

快速开始¶

如果您在 Colab 上打开此 Notebook，可能需要安装 LlamaIndex 🦙 和旧版 Office 文档阅读器。

注意：Apache Tika 是旧版 Office 文档阅读器的依赖项，需要安装 Java 并能通过 java --version 命令调用。

例如，在 Colab 上可通过 !apt-get install default-jdk 安装，在 macOS 上则可通过 brew install openjdk 命令安装。

In [ ]:

%pip install llama-index-readers-legacy-office

%pip install llama-index-readers-legacy-office

准备数据

我们需要准备一个用于测试的 .doc 文件。假设该文件位于 test_dir/harry_potter_lagacy.doc

In [ ]:

from llama_index.readers.legacy_office import LegacyOfficeReader

from llama_index.readers.legacy_office import LegacyOfficeReader

选项 1：使用 LegacyOfficeReader 加载文件

In [ ]:

file_path = "./test_dir/harry_potter_lagacy.doc"
reader = LegacyOfficeReader(
    excluded_embed_metadata_keys=["file_path", "file_name"],
    excluded_llm_metadata_keys=["file_type"],
)

file_path = "./test_dir/harry_potter_lagacy.doc" reader = LegacyOfficeReader( excluded_embed_metadata_keys=["file_path", "file_name"], excluded_llm_metadata_keys=["file_type"], )

In [ ]:

docs = reader.load_data(file=file_path)
print(f"Loaded {len(docs)} docs")

docs = reader.load_data(file=file_path) print(f"Loaded {len(docs)} docs")

Loaded 1 docs

选项 2：使用 SimpleDirectoryReader 加载文件

这是我们在同一目录下存放 .doc 文件及其他文件的路径。

from llama_index.core import SimpleDirectoryReader

reader = SimpleDirectoryReader(
    input_dir="./test_dir/",
    file_extractor={
        ".doc": LegacyOfficeReader(),
        }
)