LangChain 入门6 magic不同格式文件的读取

概述：

除了原始文本数据，可能还希望从其他文件类型（如PowerPoint演示文稿或PDF）中提取信息。
可以使用LangChain文档加载程序将文件解析为可以输入LLM的文本格式。

基于MIME类型的解析

数据加载

import requestsresponse = requests.get("https://en.wikipedia.org/wiki/Car")
data = response.content
data[:20]

b'<!DOCTYPE html>\n<htm'

配置解析器

加载依赖

import magic #导入 magic 库，这是一个在 Python 中用于文件类型检测的库，可以根据文件内容判断其 MIME 类型

pip install python-magic-bin

from langchain.document_loaders.parsers import BS4HTMLParser, PDFMinerParser #BS4HTMLParser 用于解析 HTML 文件，PDFMinerParser 用于解析 PDF 文件
from langchain.document_loaders.parsers.generic import MimeTypeBasedParser # MimeTypeBasedParser 是一个基于 MIME 类型的通用解析器，
from langchain.document_loaders.parsers.txt import TextParser#TextParser 用于解析纯文本文件
from langchain_community.document_loaders import Blob #Blob 用于表示二进制数据。

数据加载

#定义一个字典用于存储不同的解释器
HANDLERS = {"application/pdf": PDFMinerParser(),"text/plain": TextParser(),"text/html": BS4HTMLParser(),
}# 使用给定的解析器实例化基于mimetype的解析器
MIMETYPE_BASED_PARSER = MimeTypeBasedParser(handlers=HANDLERS,fallback_parser=None,#参数指定了当文档的 MIME 类型在 HANDLERS 字典中没有匹配到相应的解析器时，将使用哪个解析器作为备选。
)

数据解析

mime = magic.Magic(mime=True) # mime=True 时，magic.Magic 对象会尝试根据文件内容来确定其 MIME 类型，并以字符串的形式返回。
data[0:300]

b’\n<html class="client-nojs
vector-feature-language-in-header-enabled
vector-feature-language-in-main-page-header-disabled
vector-feature-sticky-header-disabled
vector-feature-page-tools-pinned-disabled
vector-feature-toc-pinned-clientpref-1
vector-feature-main-menu-pinned-disabled vect’

数据类型检测

# 使用该对象检测一段数据的 MIME 类型
mime_type = mime.from_buffer(data)
print(mime_type)

text/html

数据二进制转换

blob = Blob.from_data(data=data,mime_type=mime_type,
)

数据获取

#根据检测到的 MIME 类型从 HANDLERS 字典中获取相应的解析器对象。
parser = HANDLERS[mime_type]
#调用解析器对象的 parse 方法，并将 blob 对象作为参数传递给它。这个方法负责解析 blob 中的数据，并返回一个或多个文档对象，这些文档对象通常是 Document 类的实例，它们包含了解析后的文本内容以及可能的元数据。
documents = parser.parse(blob=blob)
#解析后的数据打印
print(documents[0].page_content[:30].strip())