Microsoft Word
Microsoft Word是一款用于创建和编辑文本文档的文字处理软件。此模块提供了使用officeparser加载和处理Word文档的功能。
此模块提供了一个功能强大的Word文档加载器，该加载器能够：
加载Word文档
提取文本内容
将内容分成若干部分
处理页码编号
按部分处理元数据
支持多种节格式
处理各种类型的段落分隔符
输入
必填参数
Word文件：要处理的Word文件（.doc、.docx）
可选参数
文本分割器：用于处理提取内容的文本分割器
附加元数据：包含附加元数据的JSON对象
省略元数据键：以逗号分隔的需省略的元数据键列表
输出
Document：包含元数据和页面内容的文档对象数组
文本：从文档的pageContent中拼接而成的字符串
功能
文本提取
分节
元数据处理
错误处理
内存高效处理
启发式区域检测
内容过滤
节段检测方法
模式识别
加载器尝试使用常见模式来识别各个部分： “第X页”标记 “第X节”标记 “第X章”标记
编号部分（例如，“1. ”，“2. ”）
全部大写标题
长下划线分隔符 长划线分隔符
回退机制
如果模式识别失败：
使用多个换行符进行分割
用双换行符分隔
将内容视为单个部分
文档结构
每份文件包含：
pageContent：从该部分提取的文本内容
元数据：
documentType: "word"
pageNumber: 连续节号
额外的自定义元数据
内容处理
空段落已被过滤掉
移除了前导/尾随空格
最小内容长度验证
合理的节段计数验证
元数据属性
默认属性包括：
documentType：文档类型（字符串）
pageCount：页数/节数（数字）
输入中的自定义元数据
注释
使用officeparser进行提取
处理各种文档格式
智能区域检测
内容验证
内存高效处理
无效文件的错误处理
输出格式灵活
强大的回退机制
Last updated