使用LangChain的DirectoryLoader加载PDF时遇Image模块找不到错误

问题分析 #

你遇到的错误来自python-pptx库的导入逻辑，它尝试导入Image模块，但这个模块实际属于Pillow库（而非你安装的废弃Image包）。单独使用UnstructuredPDFLoader时未触发该错误，大概率是单文件加载未触发处理图片/嵌入对象的逻辑，而目录批量加载时触发了相关依赖调用。

解决方案 #

1. 安装正确的图像处理库 #

你之前执行的pip install Image安装的是已废弃的包，正确的做法是安装Pillow：

pip install pillow

2. 更新python-pptx到兼容版本 #

旧版python-pptx使用了过时的PIL导入方式，更新库可修复该问题：

pip install --upgrade python-pptx

3. 为DirectoryLoader指定明确的Loader类 #

确保DirectoryLoader使用UnstructuredPDFLoader处理PDF文件，避免默认loader触发不必要的依赖：

from langchain.document_loaders import DirectoryLoader, UnstructuredPDFLoader

loader = DirectoryLoader('source', glob='*.pdf', loader_cls=UnstructuredPDFLoader)
data = loader.load()

4. 检查目录内的PDF文件 #

确认source目录下的所有PDF文件都能正常解析，部分包含复杂嵌入对象（如PPT转换的PDF）可能会触发额外依赖处理，可先移除可疑文件测试。

内容的提问来源于stack exchange，提问作者Ravi Prakash