LangChain加载.pptx文件失败：UnstructuredPowerPointLoader安装失败求助

一、unstructured库的可行安装方法 #

如果安装失败是因为网络或依赖问题，可以试试这些步骤：

• 先把pip升级到最新版本：pip install --upgrade pip
• 使用国内PyPI镜像源安装，比如阿里云：

  pip install unstructured -i https://mirrors.aliyun.com/pypi/simple/
  

  安装指定版本的话：

  pip install -q unstructured["all-docs"]==0.12.0 -i https://mirrors.aliyun.com/pypi/simple/
  

• 若仍失败，先安装核心依赖再装主库：
  Windows环境：

  pip install python-magic-bin pillow -i https://mirrors.aliyun.com/pypi/simple/
  pip install unstructured["all-docs"]==0.12.0 -i https://mirrors.aliyun.com/pypi/simple/
  

  Linux/macOS环境：

  pip install python-magic pillow -i https://mirrors.aliyun.com/pypi/simple/
  pip install unstructured["all-docs"]==0.12.0 -i https://mirrors.aliyun.com/pypi/simple/
  

二、无需unstructured的函数改造方案 #

如果实在装不上unstructured，直接用python-pptx库解析PPTX，再封装成LangChain的Document格式即可：

1. 先安装依赖：

pip install python-pptx

2. 修改后的函数代码：

def load_document(file):
    import os
    from langchain.schema import Document
    name, extension = os.path.splitext(file)

    if extension == '.pdf':
        from langchain.document_loaders import PyPDFLoader
        print(f'Loading {file}')
        loader = PyPDFLoader(file)
        data = loader.load()
    elif extension == '.docx':
        from langchain.document_loaders import Docx2txtLoader
        print(f'Loading {file}')
        loader = Docx2txtLoader(file)
        data = loader.load()
    elif extension == '.txt':
        from langchain.document_loaders import TextLoader
        print(f'Loading {file}')
        loader = TextLoader(file)
        data = loader.load()
    elif extension == '.pptx':
        print(f'Loading {file}')
        from pptx import Presentation
        prs = Presentation(file)
        # 提取所有幻灯片中的文本
        text_content = []
        for slide in prs.slides:
            for shape in slide.shapes:
                if hasattr(shape, "text"):
                    text_content.append(shape.text)
        full_text = "\n".join(text_content)
        # 封装成LangChain的Document对象
        data = [Document(page_content=full_text, metadata={"source": file})]
    else:
        print('Document format is not supported!')
        return None

    return data

这个方案直接提取PPTX里的文本内容，手动构建LangChain的Document对象，不需要依赖unstructured，兼容性更强。

内容的提问来源于stack exchange，提问作者veg2020