LangChain 文档加载器（Document Loaders）

一、什么是文档加载器

文档加载器（Document Loader）是 LangChain 数据处理链的第一步，负责将各种格式的文件加载为 LangChain 的 Document 对象。

1.1 统一接口：BaseLoader

虽然加载器各不相同（TextLoader、CSVLoader、PyPDFLoader……），但它们都实现了 BaseLoader 接口，因此都具有两个通用方法：

from langchain_core.document_loaders import BaseLoader

# 所有加载器都继承自 BaseLoader，具备以下方法：
class BaseLoader:
def load(self) -> list[Document]:
"""一次性加载所有文档到内存，返回 Document 列表"""
        ...

def lazy_load(self) -> Iterator[Document]:
"""基于生成器流式懒加载文档，逐个 yield，适用于大数据集"""
        ...

# load() — 适合小文件
docs = loader.load()          # 返回 list[Document]，全部加载到内存

# lazy_load() — 适合大文件
for doc in loader.lazy_load(): # 逐个 yield，不会一次性占满内存
    process(doc)

1.2 统一输出：Document 对象

所有加载器都将原始数据转换为统一的 Document 对象，包含两个核心属性：

# Document 对象示例
Document(
    page_content="这是文档的文本内容...",
    metadata={"source": "/path/to/file.txt", "page": 0}
)

不同加载器的 metadata 差异：

核心思想：不管原始数据是什么格式（PDF、Word、HTML、CSV……），加载器都将其统一为 Document(page_content, metadata) 格式。后续的 Text Splitter、Embedding、向量数据库都只跟 Document 打交道，不关心原始文件格式。

1.3 文档加载器在 RAG 中的位置

RAG（Retrieval-Augmented Generation，检索增强生成）是 LangChain 的核心应用场景之一。它通过从外部知识库检索相关信息来增强 LLM 的回答质量。

一个完整的 RAG 流程分为两大部分：

┌──────────────────── 知识库构建（离线阶段）────────────────────┐
│                                                              │
│  原始文件          Document          文本块           向量     │
│  (PDF/Word/  →   对象列表  →    (Chunk)   →   向量化  →  向量库 │
│   HTML/CSV...)   [Loader]       [Splitter]    [Embedding]     │
│                                                              │
└──────────────────────────────────────────────────────────────┘

┌──────────────────── 检索生成（在线阶段）────────────────────┐
│                                                            │
│  用户提问 → 问题向量化 → 向量库检索 → 相关文档 → 拼接上下文  │
│            [Embedding]  [Retriever]  [Document]  [Prompt]  │
│                                                            │
│  → LLM 生成回答                                             │
│    [ChatModel]                                             │
│                                                            │
└────────────────────────────────────────────────────────────┘

知识库构建流程详解：

检索生成流程详解：

文档加载器是 RAG 的入口。加载质量直接影响后续所有环节——如果加载器提取的文本不完整或乱码，再好的 Embedding 和 LLM 也无法弥补。选择合适的加载器并正确处理编码、格式等问题，是构建高质量 RAG 系统的第一步。

1.4 整体流程一览

原始文件 → [Document Loader] → Document 对象列表 → [Text Splitter] → 切分后的文档 → [Embedding] → 向量数据库

二、环境准备

2.1 基础依赖

pip install langchain-community rich python-dotenv requests

2.2 各格式专用依赖

不同的加载器依赖不同的底层库：

2.3 一键安装所有依赖

pip install langchain-community rich python-dotenv requests jq pypdf docx2txt unstructured beautifulsoup4 openpyxl

关于 langchain-community 的弃用警告：运行时会看到 DeprecationWarning，这是正常的。langchain-community 正在逐步迁移到独立包，但目前功能完全正常。

三、阶段一：TextLoader — 加载纯文本文件

最简单的加载器，读取 .txt 文件，整个文件作为一个 Document。

from langchain_community.document_loaders import TextLoader
from pathlib import Path
from rich import print as rprint

# ============================================================
# TextLoader — 加载纯文本文件
# 说明：最基础的文档加载器，将整个文本文件加载为一个 Document
# 无需额外安装依赖包
# ============================================================

# 1. 使用 pathlib 构建跨平台的文件路径
script_dir = Path(__file__).parent
file_path = script_dir.parent / "assets" / "langchain.txt"

# 2. 创建加载器
loader = TextLoader(
    file_path=str(file_path),  # 文件路径
    encoding="utf-8",          # 文件编码，中文文件通常为 utf-8
)

# 3. 加载文档
docs = loader.load()

# 4. 查看结果
rprint(f"加载了 {len(docs)} 个文档")
rprint(docs[0].page_content[:200])   # 打印前 200 个字符
rprint(docs[0].metadata)             # 打印元数据

TextLoader 参数说明：

特点：

• 整个文件内容作为一个 Document 的 page_content
• metadata 中只包含 source（文件路径）
• 不支持自动分块，大文件需要配合 Text Splitter 使用

四、阶段二：CSVLoader — 加载 CSV 文件

将 CSV 的每一行加载为一个 Document，自动将列名作为元数据。

from langchain_community.document_loaders import CSVLoader
from pathlib import Path
from rich import print as rprint

# ============================================================
# CSVLoader — 加载 CSV 文件
# 说明：将 CSV 的每一行转换为一个 Document
#       列名会作为 metadata 的 key，单元格值作为 page_content
# 无需额外安装依赖包
# ============================================================

# 1. 构建文件路径
script_dir = Path(__file__).parent
file_path = script_dir.parent / "assets" / "test.csv"

# 2. 创建加载器
loader = CSVLoader(
    file_path=str(file_path),   # CSV 文件路径
    encoding="utf-8",           # 文件编码
# csv_args={                # 可选：CSV 解析参数
#     "delimiter": ",",     # 分隔符，默认逗号
#     "quotechar": '"',     # 引号字符
#     "fieldnames": ["col1", "col2"],  # 自定义列名（用于没有表头的 CSV）
# },
)

# 3. 加载文档
docs = loader.load()

# 4. 查看结果
rprint(f"加载了 {len(docs)} 个文档")
for i, doc in enumerate(docs[:3]):   # 只打印前 3 个
    rprint(f"--- 第 {i+1} 行 ---")
    rprint(f"内容: {doc.page_content}")
    rprint(f"元数据: {doc.metadata}")

CSVLoader 参数说明：

输出格式：

# 每一行 CSV 变成一个 Document
# page_content 格式：列名: 值（换行分隔）
# metadata 包含 source 和行号

Document(
    page_content="name: 小明\nage: 25\ncity: 北京",
    metadata={"source": "test.csv", "row": 0}
)

五、阶段三：JSONLoader — 加载 JSON 文件

使用 jq 表达式从 JSON 中提取特定字段，支持嵌套结构。

前置依赖

pip install jq

完整代码

from langchain_community.document_loaders import JSONLoader
from pathlib import Path
from rich import print as rprint

# ============================================================
# JSONLoader — 加载 JSON 文件
# 说明：使用 jq 表达式从 JSON 中提取特定字段
#       支持嵌套 JSON、JSON Lines 格式
# 需要安装：pip install jq
# ============================================================

# 1. 构建文件路径
script_dir = Path(__file__).parent
file_path = script_dir.parent / "assets" / "tsconfig.json"

# 2. 创建加载器
loader = JSONLoader(
    file_path=str(file_path),
# jq_schema 是 jq 表达式，用于从 JSON 中提取数据
# "."           — 提取整个 JSON
# ".compilerOptions" — 提取 compilerOptions 字段
# ".messages[]"  — 提取 messages 数组中的每个元素
# ".messages[].content" — 提取 messages 数组中每个元素的 content 字段
    jq_schema=".compilerOptions",
    text_content=False,   # False: 将提取结果序列化为 JSON 字符串
# True: 将提取结果作为纯文本（仅适用于字符串类型的值）
    json_lines=False,     # False: 标准 JSON 文件
# True: JSON Lines 格式（每行一个 JSON 对象）
)

# 3. 加载文档
docs = loader.load()

# 4. 查看结果
rprint(f"加载了 {len(docs)} 个文档")
for doc in docs:
    rprint(doc)

jq_schema 常用表达式：

JSON Lines 格式示例：

# 如果文件是 JSON Lines 格式（每行一个 JSON 对象）：
# {"name": "Alice", "age": 25}
# {"name": "Bob", "age": 30}

loader = JSONLoader(
    file_path="data.jsonl",
    jq_schema=".",
    json_lines=True,     # 开启 JSON Lines 模式
    text_content=False,
)

六、阶段四：PyPDFLoader — 加载 PDF 文件

将 PDF 的每一页加载为一个 Document，支持本地文件和在线 URL。

前置依赖

pip install pypdf

完整代码

from langchain_community.document_loaders import PyPDFLoader
from pathlib import Path
from rich import print as rprint

# ============================================================
# PyPDFLoader — 加载 PDF 文件
# 说明：将 PDF 的每一页加载为一个 Document
#       支持本地文件和在线 URL
# 需要安装：pip install pypdf
# ============================================================

# 1. 构建文件路径（本地文件）
script_dir = Path(__file__).parent
file_path = script_dir.parent / "assets" / "test.pdf"

# 2. 创建加载器
loader = PyPDFLoader(
    file_path=str(file_path),

# 也支持在线 URL（直接传入 URL 字符串即可）
# file_path="https://arxiv.org/pdf/alg-geom/9202012",

# 提取模式：控制如何从 PDF 中解析和提取文本结构
# "plain"  — 提取纯文本，默认值，适合大多数场景
# "layout" — 布局感知模式，通过插入空格和换行符模拟原文档的排版
#            适用场景：学术论文、多栏报刊杂志、左右分栏的合同
    extraction_mode="plain",
)

# 3. 加载文档（每一页变成一个 Document）
docs = loader.load()

# 4. 查看结果
rprint(f"总共加载了 {len(docs)} 页")
for i, doc in enumerate(docs[:3]):   # 只打印前 3 页
    rprint(f"--- 第 {i+1} 页 ---")
    rprint(f"内容预览: {doc.page_content[:100]}...")
    rprint(f"元数据: {doc.metadata}")
# metadata 包含：
#   source: 文件路径或 URL
#   page: 页码（从 0 开始）
#   page_label: 页码标签（PDF 中显示的页码）
#   total_pages: 总页数
#   producer: PDF 生成工具
#   creator: PDF 创建工具

PyPDFLoader 参数说明：

两种提取模式对比：

七、阶段五：MinerU API — 高精度 PDF 解析

使用 MinerU 云端 API 进行高精度 PDF 解析，支持 OCR、公式识别、表格识别。

前置说明

MinerU 是一个云端 PDF 解析服务，适用于需要高精度提取的复杂 PDF（含公式、表格、图片等）。

前置依赖

pip install requests python-dotenv

环境变量配置

在 .env 文件中配置：

MINERU_API_TOKEN=your_mineru_api_token

完整代码

import os
import time
import requests
from dotenv import load_dotenv
from pathlib import Path

# 加载环境变量
load_dotenv(override=True)

# ============================================================
# MinerU API — 高精度 PDF 云端解析
# 说明：通过 MinerU 云端 API 解析 PDF，支持 OCR、公式识别、表格识别
#       解析结果以 zip 包形式下载
# 需要安装：pip install requests python-dotenv
# 需要配置：.env 文件中设置 MINERU_API_TOKEN
# ============================================================

def upload_files(file_paths: list[str]) -> str:
"""
    批量上传文件到 MinerU 并获取 batch_id

    流程：
    1. 向 MinerU API 申请上传链接
    2. 将本地文件上传到获得的 URL
    3. 返回 batch_id 用于后续查询

    Args:
        file_paths: 要上传的文件路径列表

    Returns:
        batch_id: 批次 ID，用于查询解析结果
    """
    url = "https://mineru.net/api/v4/file-urls/batch"
    api_token = os.getenv("MINERU_API_TOKEN")

    header = {
"Content-Type": "application/json",
"Authorization": f"Bearer {api_token}",
    }

# 构建文件信息列表
    files_info = [
        {
"name": os.path.basename(file_path),  # 文件名
"is_ocr": True,                        # 启用 OCR
"data_id": f"file_{i}",                # 文件标识
        }
for i, file_path in enumerate(file_paths)
    ]

    data = {
"enable_formula": True,   # 启用公式识别
"enable_table": True,     # 启用表格识别
"language": "ch",         # 语言：ch=中文, en=英文
"files": files_info,
    }

try:
# 1. 获取上传链接
        response = requests.post(url, headers=header, json=data)

if response.status_code == 200:
            result = response.json()

if result["code"] == 0:
                batch_id = result["data"]["batch_id"]
                urls = result["data"]["file_urls"]
print(f"batch_id: {batch_id}")

# 2. 将本地文件上传到获得的 URL
for i in range(len(urls)):
with open(file_paths[i], "rb") as f:
                        res_upload = requests.put(urls[i], data=f)
if res_upload.status_code == 200:
print(f"文件上传成功: {file_paths[i]}")
else:
print(f"文件上传失败: {file_paths[i]}")
return None

return batch_id
else:
print(f"申请上传链接失败: {result.get('msg')}")
return None
else:
print(f"请求失败: {response.status_code}")
return None

except Exception as err:
print(f"上传异常: {err}")
return None


def download_files(batch_id: str):
"""
    轮询下载解析结果

    流程：
    1. 定时查询 batch_id 的解析状态
    2. 解析完成后下载 zip 包
    3. 所有文件处理完毕（成功或失败）后退出

    Args:
        batch_id: 批次 ID
    """
if not batch_id:
print("batch_id 为空，跳过下载")
return

# 创建保存目录
    os.makedirs("parsed_files", exist_ok=True)

    url = f"https://mineru.net/api/v4/extract-results/batch/{batch_id}"
    api_token = os.getenv("MINERU_API_TOKEN")

    header = {
"Content-Type": "application/json",
"Authorization": f"Bearer {api_token}",
    }

    failed_files = set()
    done_files = set()

while True:
        res = requests.get(url, headers=header)
        result_json = res.json()

if res.status_code != 200 or result_json.get("code") != 0:
print("查询结果失败:", result_json)
break

        extract_results = result_json["data"]["extract_result"]

for result in extract_results:
            data_id = result["data_id"]

# 处理失败的文件
if result["state"] == "failed":
                failed_files.add(data_id)

# 处理完成且未下载的文件
elif result["state"] == "done" and data_id not in done_files:
                done_files.add(data_id)

                full_zip_url = result["full_zip_url"]
                res_download = requests.get(full_zip_url, stream=True)

# 流式下载 zip 包
                save_path = f"parsed_files/{result['file_name']}-{data_id}.zip"
with open(save_path, "wb") as f:
for chunk in res_download.iter_content(chunk_size=1024):
if chunk:
                            f.write(chunk)
print(f"下载完成: {save_path}")

# 终止条件：所有文件都处理完了
if len(failed_files) + len(done_files) == len(extract_results):
break

# 等待 5 秒后再次查询
        time.sleep(5)

# 打印最终状态
print("--- 任务结束 ---")
for i in failed_files:
print(f"失败: {i}")
for i in done_files:
print(f"完成: {i}")


# --- 主程序入口 ---
if __name__ == "__main__":
# 构建文件路径
    script_dir = Path(__file__).parent
    file_path = script_dir.parent / "assets" / "test.pdf"

# 1. 上传文件
    batch_id = upload_files([str(file_path)])

# 2. 下载解析结果
if batch_id:
        download_files(batch_id)

MinerU API 工作流程：

本地 PDF 文件
    ↓
1. 申请上传链接（POST /api/v4/file-urls/batch）
    ↓ 获得 batch_id + 上传 URL
2. 上传文件到 URL（PUT）
    ↓
3. 轮询解析状态（GET /api/v4/extract-results/batch/{batch_id}）
    ↓ 每 5 秒查询一次
4. 解析完成后下载 zip 包
    ↓
5. zip 包内包含：Markdown 文本、图片、表格数据等

八、阶段六：Docx2txtLoader — 加载 Word 文档

加载 .docx 格式的 Word 文档。

前置依赖

pip install docx2txt

完整代码

from langchain_community.document_loaders import Docx2txtLoader
from pathlib import Path
from rich import print as rprint

# ============================================================
# Docx2txtLoader — 加载 Word (.docx) 文档
# 说明：将 Word 文档的文本内容加载为 Document 对象
# 需要安装：pip install docx2txt
# ============================================================

# 1. 构建文件路径
script_dir = Path(__file__).parent
file_path = script_dir.parent / "assets" / "example.docx"

# 2. 创建加载器
loader = Docx2txtLoader(
    file_path=str(file_path),
)

# 3. 加载文档
docs = loader.load()

# 4. 查看结果
rprint(f"加载了 {len(docs)} 个文档")
for doc in docs:
    rprint(f"内容预览: {doc.page_content[:200]}...")
    rprint(f"元数据: {doc.metadata}")
# metadata 包含 source（文件路径）

注意事项：

• 只支持 .docx 格式，不支持旧版 .doc 格式
• 提取纯文本，不保留格式信息（字体、颜色等）
• 整个文档作为一个 Document

九、阶段七：UnstructuredMarkdownLoader — 加载 Markdown 文件

加载 .md 格式的 Markdown 文件，保留标题层级等结构信息。

前置依赖

pip install unstructured

完整代码

from langchain_community.document_loaders import UnstructuredMarkdownLoader
from pathlib import Path
from rich import print as rprint

# ============================================================
# UnstructuredMarkdownLoader — 加载 Markdown 文件
# 说明：解析 Markdown 文件，保留标题、列表等结构信息
# 需要安装：pip install unstructured
# ============================================================

# 1. 构建文件路径
script_dir = Path(__file__).parent
file_path = script_dir.parent / "assets" / "example.md"

# 2. 创建加载器
loader = UnstructuredMarkdownLoader(
    file_path=str(file_path),
)

# 3. 加载文档
docs = loader.load()

# 4. 查看结果
rprint(f"加载了 {len(docs)} 个文档")
for doc in docs:
    rprint(f"内容预览: {doc.page_content[:200]}...")
    rprint(f"元数据: {doc.metadata}")
# metadata 包含：
#   source: 文件路径
#   file_directory: 文件所在目录
#   file_type: 文件类型（text/markdown）
#   category: 内容分类（Title, NarrativeText, ListItem 等）

Unstructured 系列加载器的特点：

• 自动识别文档结构（标题、段落、列表、表格等）
• 在 metadata 中标注每个元素的 category
• 支持多种格式：Markdown、Excel、PowerPoint、PDF 等

十、阶段八：BSHTMLLoader — 加载 HTML 文件

使用 BeautifulSoup 解析 HTML，提取标题和正文内容。

前置依赖

pip install beautifulsoup4

完整代码

from langchain_community.document_loaders import BSHTMLLoader
from pathlib import Path
from rich import print as rprint

# ============================================================
# BSHTMLLoader — 加载 HTML 文件
# 说明：使用 BeautifulSoup 解析 HTML，提取标题和正文
# 需要安装：pip install beautifulsoup4
# ============================================================

# 1. 构建文件路径
script_dir = Path(__file__).parent
file_path = script_dir.parent / "assets" / "example.html"

# 2. 创建加载器
loader = BSHTMLLoader(
    file_path=str(file_path),
# open_encoding="utf-8",  # 可选：指定 HTML 编码
)

# 3. 加载文档
docs = loader.load()

# 4. 查看结果
rprint(f"加载了 {len(docs)} 个文档")
for doc in docs:
    rprint(f"内容预览: {doc.page_content[:200]}...")
    rprint(f"元数据: {doc.metadata}")
# metadata 包含：
#   source: 文件路径
#   title: HTML 的 <title> 标签内容

BSHTMLLoader 的特点：

• 自动提取 <title> 标签内容到 metadata["title"]
• page_content 包含 HTML 的文本内容（去除标签）
• 基于 BeautifulSoup，支持各种 HTML 编码和格式

十一、DirectoryLoader — 批量加载整个目录的文件

递归加载目录下的所有文件，根据文件扩展名自动选择对应的加载器。

完整代码

from langchain_community.document_loaders import DirectoryLoader, TextLoader, PyPDFLoader
from pathlib import Path
from rich import print as rprint

# ============================================================
# DirectoryLoader — 批量加载整个目录的文件
# 说明：递归遍历目录，根据文件扩展名匹配对应的加载器
#       适合一次性加载整个知识库、文档库
# 无需额外安装依赖包（但内部使用的加载器可能需要对应依赖）
# ============================================================

# 1. 构建目录路径
script_dir = Path(__file__).parent
dir_path = script_dir.parent / "assets"

# ============================================================
# 方式一：加载目录下所有 .txt 文件
# ============================================================
loader = DirectoryLoader(
    path=str(dir_path),           # 要扫描的目录路径
    glob="*.txt",                 # 文件匹配模式（支持 glob 语法）
    loader_cls=TextLoader,        # 使用的加载器类
    loader_kwargs={"encoding": "utf-8"},  # 传递给加载器的参数
    use_multithreading=False,     # 是否使用多线程加速（大目录建议开启）
# show_progress=True,         # 是否显示进度条
# recursive=True,             # 是否递归扫描子目录（默认 True）
)

docs = loader.load()
rprint(f"加载了 {len(docs)} 个 .txt 文档")
for doc in docs:
    rprint(f"  来源: {doc.metadata['source']}")

# ============================================================
# 方式二：加载目录下所有 .pdf 文件
# ============================================================
loader = DirectoryLoader(
    path=str(dir_path),
    glob="**/*.pdf",              # ** 表示递归匹配所有子目录
    loader_cls=PyPDFLoader,
    use_multithreading=True,      # PDF 解析较慢，建议开启多线程
)

docs = loader.load()
rprint(f"加载了 {len(docs)} 个 PDF 页面")

# ============================================================
# 方式三：使用 ** 递归匹配（等同于 recursive=True）
# ============================================================
loader = DirectoryLoader(
    path=str(dir_path),
    glob="**/*",                  # 匹配所有文件
    loader_cls=TextLoader,
    loader_kwargs={"encoding": "utf-8"},
)

docs = loader.load()
rprint(f"加载了 {len(docs)} 个文档")

# ============================================================
# 方式四：按多种扩展名分别加载
# ============================================================
# DirectoryLoader 一次只能匹配一种 glob 模式
# 要加载多种格式，需要创建多个 DirectoryLoader 并合并结果

from langchain_community.document_loaders import (
    DirectoryLoader, TextLoader, PyPDFLoader, CSVLoader, JSONLoader
)

loaders = [
# 加载 .txt 文件
    DirectoryLoader(
        path=str(dir_path),
        glob="**/*.txt",
        loader_cls=TextLoader,
        loader_kwargs={"encoding": "utf-8"},
    ),
# 加载 .pdf 文件
    DirectoryLoader(
        path=str(dir_path),
        glob="**/*.pdf",
        loader_cls=PyPDFLoader,
        use_multithreading=True,
    ),
# 加载 .csv 文件
    DirectoryLoader(
        path=str(dir_path),
        glob="**/*.csv",
        loader_cls=CSVLoader,
    ),
]

# 合并所有加载结果
all_docs = []
for loader in loaders:
    docs = loader.load()
    all_docs.extend(docs)
    rprint(f"  {loader}: 加载了 {len(docs)} 个文档")

rprint(f"总共加载了 {len(all_docs)} 个文档")

DirectoryLoader 参数说明：

glob 模式说明：

十二、更多加载器一览

LangChain 支持的完整加载器列表（部分常用）：

十三、常见陷阱与注意事项

13.1 文件路径问题

# 错误：相对路径依赖运行目录
loader = TextLoader(file_path="../assets/file.txt")

# 正确：使用 pathlib 基于脚本位置定位
from pathlib import Path
script_dir = Path(__file__).parent
file_path = script_dir.parent / "assets" / "file.txt"
loader = TextLoader(file_path=str(file_path))

13.2 编码问题

# 中文文件常见错误：UnicodeDecodeError
# 解决：显式指定编码
loader = TextLoader(file_path="file.txt", encoding="utf-8")

# 如果文件是 GBK 编码（Windows 中文系统常见）
loader = TextLoader(file_path="file.txt", encoding="gbk")

13.3 缺少依赖包

# 常见错误：ImportError / ModuleNotFoundError
# JSONLoader 需要 jq
# pip install jq

# PyPDFLoader 需要 pypdf
# pip install pypdf

# Docx2txtLoader 需要 docx2txt
# pip install docx2txt

# BSHTMLLoader 需要 beautifulsoup4
# pip install beautifulsoup4

13.4 大文件处理

# 错误：一次性加载大文件可能导致内存溢出
docs = loader.load()

# 正确：使用惰性加载，逐个处理
for doc in loader.lazy_load():
    process(doc)  # 逐个处理，不会一次性占满内存

十四、一键安装所有依赖汇总

# 基础依赖
pip install langchain-community rich python-dotenv requests

# 各格式专用依赖（按需安装）
pip install jq                    # JSONLoader
pip install pypdf                 # PyPDFLoader
pip install docx2txt              # Docx2txtLoader
pip install unstructured          # UnstructuredMarkdownLoader / ExcelLoader / PPTLoader
pip install beautifulsoup4        # BSHTMLLoader
pip install openpyxl              # UnstructuredExcelLoader（xlsx 支持）
pip install python-pptx           # UnstructuredPowerPointLoader（pptx 支持）
pip install pymupdf               # PyMuPDFLoader（更快的 PDF 解析）

# 或者一键安装全部
pip install langchain-community rich python-dotenv requests jq pypdf docx2txt unstructured beautifulsoup4 openpyxl python-pptx pymupdf

十五、学习路线总结

阶段一：TextLoader — 纯文本
    ↓ 最简单的加载器，理解 Document 对象结构
阶段二：CSVLoader — CSV 表格
    ↓ 每行一个 Document，理解 metadata 的自动生成
阶段三：JSONLoader — JSON 数据
    ↓ 掌握 jq 表达式，理解结构化数据提取
阶段四：PyPDFLoader — PDF 文档
    ↓ 掌握 PDF 解析，理解不同提取模式
阶段五：MinerU API — 高精度 PDF
    ↓ 掌握云端 API 调用，处理复杂 PDF
阶段六：Docx2txtLoader — Word 文档
    ↓ 掌握 Office 文档加载
阶段七：UnstructuredMarkdownLoader — Markdown
    ↓ 掌握结构化文档加载
阶段八：BSHTMLLoader — HTML 网页
    ↓ 掌握网页内容提取
阶段九：DirectoryLoader — 目录批量加载
    ↓ 掌握整个目录的文件批量加载