06. Word

Microsoft Word

Microsoft Word adalah pengolah kata yang dikembangkan oleh Microsoft.

Bagian ini membahas cara memuat dokumen word ke dalam format dokumen yang dapat digunakan di bagian hilir.

Docx2txtLoader

---

Anda dapat menggunakan Docx2txt untuk memuat file .docx sebagai dokumen.

# install
# !pip install -qU docx2txt

from langchain_community.document_loaders import Docx2txtLoader

loader = Docx2txtLoader("./data/sample-word-document.docx")  # Inisialisasi pemuat dokumen

docs = loader.load()  # Memuat dokumen

print(len(docs))

UnstructuredWordDocumentLoader

---

from langchain_community.document_loaders import UnstructuredWordDocumentLoader

# Menginstalasi pemuat dokumen Word yang tidak terstruktur
loader = UnstructuredWordDocumentLoader("./data/sample-word-document.docx")

# Memuat dokumen
docs = loader.load()

print(len(docs))

Hasilnya dimuat sebagai satu Dokumen.

# Output metadata
print(docs[0].metadata)

Secara internal, unstructured menciptakan "elemen" yang berbeda untuk setiap potongan teks.

Secara default, semua ini digabungkan bersama, tetapi dapat dengan mudah dipisahkan dengan menentukan mode="elements".

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

# Memuat data
docs = loader.load()

# Menampilkan jumlah dokumen yang dimuat
print(len(docs))

# Cetak isi dokumen pertama
print(docs[0].page_content)

# Cetak isi dokumen pertama
docs[0].metadata