如何通过LangChain的DirectoryLoader将文件日期加入文档元数据？

完全可行，你可以通过自定义元数据函数或加载后统一处理的方式实现，以下是具体方案：

方案一：通过加载器的metadata_func参数（推荐，针对单类型文件） #

这种方式直接利用LangChain加载器的内置扩展能力，针对docx文件可以这样做：

1. 导入所需模块并定义元数据处理函数
   该函数接收文件路径，返回包含创建/修改时间的元数据字典：

import os
import datetime
from langchain.document_loaders import DirectoryLoader, Docx2txtLoader

def add_file_time_metadata(file_path):
    file_stats = os.stat(file_path)
    # 将时间戳转换为易读的字符串格式
    create_time = datetime.datetime.fromtimestamp(file_stats.st_ctime).strftime("%Y-%m-%d %H:%M:%S")
    modify_time = datetime.datetime.fromtimestamp(file_stats.st_mtime).strftime("%Y-%m-%d %H:%M:%S")
    return {
        "file_create_time": create_time,
        "file_modify_time": modify_time
    }

2. 修改DirectoryLoader初始化代码
   指定docx对应的加载器Docx2txtLoader，并通过loader_kwargs传入自定义元数据函数：

loader = DirectoryLoader(
    dir,
    glob="**/*.docx",
    show_progress=True,
    silent_errors=True,
    loader_cls=Docx2txtLoader,
    loader_kwargs={
        "metadata_func": add_file_time_metadata
    }
)
docs = loader.load()

3. 验证结果
   加载后每个文档的元数据会包含新增的时间字段：

for doc in docs:
    print(f"文件路径: {doc.metadata['source']}")
    print(f"创建时间: {doc.metadata['file_create_time']}")
    print(f"修改时间: {doc.metadata['file_modify_time']}\n")

方案二：加载后统一处理（通用型，适配未来扩展多类型文件） #

如果未来要扩展到其他文档类型（如PDF、TXT等），部分加载器可能不支持metadata_func参数，这种情况下可以在加载完成后遍历文档手动添加元数据：

import os
import datetime
from langchain.document_loaders import DirectoryLoader

# 原加载代码
loader = DirectoryLoader(dir, glob="**/*.docx", show_progress=True, silent_errors=True)
docs = loader.load()

# 遍历添加时间元数据
for doc in docs:
    file_path = doc.metadata["source"]
    file_stats = os.stat(file_path)
    doc.metadata["file_create_time"] = datetime.datetime.fromtimestamp(file_stats.st_ctime).strftime("%Y-%m-%d %H:%M:%S")
    doc.metadata["file_modify_time"] = datetime.datetime.fromtimestamp(file_stats.st_mtime).strftime("%Y-%m-%d %H:%M:%S")

这种方式无需关注具体加载器的特性，所有类型文件加载后都能统一处理，适合未来扩展需求。

内容的提问来源于stack exchange，提问作者Primoz