掌握 LangChain 文档处理核心：Document Loaders 与 Text Splitters 全解析

🐇明明跟你说过：个人主页

🏅个人专栏：《深度探秘：AI界的007》 🏅

🔖行路有良友，便是天堂🔖

一、引言

1、什么是LangChain

2、LangChain 在智能应用中的作用

二、Document Loaders 概述

1、什么是 Document Loader

2、常见的 Loader 类型

三、Text Splitters 概述

1、为什么需要 Text Splitter

2、常见的文本切分策略

四、实战示例

1、使用 PDFLoader + RecursiveCharacterTextSplitter 构建文档块

2、多文档加载并批量切分

一、引言

1、什么是LangChain

想象一下，你正在和 ChatGPT 聊天，问它一个复杂的问题，比如：“我上传的这份 PDF 文档里，第三章说的那个算法和第五章的原理有啥关系？”
这时候，你希望 AI 不光能看懂问题，还能读懂文档、记住上下文、把答案说清楚，对吧？😎

这，就是 LangChain 登场的地方！

🌟 简单一句话：

LangChain 是一个帮你构建 “更聪明的 AI 应用” 的框架。

🧩 它能做什么？

LangChain 像一个多才多艺的管家，替你打理 AI 应用的多个方面：

能力	举个栗子 🌰
📄 文档读取	支持 PDF、Word、网页、Notion 等多种格式！
✂️ 文本切分	把长文章变成模型“能吃得下”的小块块
📦 存储与检索	把文档变成向量存在“记忆库”里，方便快速查找
🧠 调用大模型	接入 OpenAI、Claude、Ollama 等模型对话
🪜 工作流链条	把多个步骤串成“智能流程”，比如读取→提问→总结

🤔 举个真实的例子：

你想构建一个 智能客服机器人，它能自动读取你的公司文档、PDF 手册、产品说明书，并且回答用户的问题。

你只要这样做：

✅ 用 LangChain 的 Document Loader 读取资料
✂️ 用 Text Splitter 把文档切成合适的大小
📦 存到向量数据库中，比如 FAISS 或 Elasticsearch
🤖 用户提问 → LangChain 帮你搜索相关文档片段
💬 调用大模型回答问题，还能引用来源！

是不是有点小惊艳？✨

🛠️ 为什么开发者喜欢它？

模块化：想换个模型、数据库？一行代码改完！
灵活性：适合快速搭建原型，也能打造企业级系统
社区活跃：文档全、插件多，成长飞快！

🏁 总结

LangChain = LLM 的超级助理工具箱🧰 + AI 应用的魔法管家🪄

如果你想让 AI 不止聊天，还能 读文档、处理流程、接数据源、当助手——LangChain 会是你的好搭档！

2、LangChain 在智能应用中的作用

在过去，我们想让 AI 做事，大多是“一个模型回答一个问题”——比如问 ChatGPT：“天气怎么样？”它会给你一个答案。
但当我们想让 AI 真正“工作起来”，比如：

📄 阅读上百页的 PDF 文档
📚 理解多个文件之间的关系
🧠 记住用户的历史提问
⚙️ 调用外部工具，比如数据库、搜索引擎、API
🔁 串联多个步骤，像人一样完成一项任务

👉 光靠一个大模型可不够了！这时，就轮到 LangChain 登场了！

🧰 LangChain 的作用是什么？

可以简单理解为：

LangChain 是连接大模型（LLM）与真实世界的桥梁🌉，让你的 AI 应用更聪明、更有用、更像“工具人”。

✅ 它解决了哪些问题？

智能应用需求	LangChain 帮你搞定 ✔️
加载和处理各种格式文档	使用 Document Loaders
将大文本拆分为小块供模型处理	使用 Text Splitters
存储、检索知识片段	集成向量数据库（如 FAISS、Chroma 等）
结合上下文做连续对话	支持 Memory 模块
自动调用外部工具 / API	Agent + Tool 模块
多步骤任务处理流程	使用 Chain（链式执行）机制

🧠 举个例子：

你要做一个 “AI 法律助手”，目标是能：

📂 读取几十份法律文书
🤔 回答用户关于具体条款的问题
💡 根据上下文推荐可能适用的法规
📬 自动生成答复邮件或草案

用 LangChain 的做法大致是这样：

用 Document Loaders 加载文书内容 📄
用 Text Splitters 切分成模型能处理的小段 ✂️
用 Embedding + 向量数据库 存储和快速检索 🧠
用 LLM + Chain 回答用户提问，引用相关文档 💬
用 Agent + Tool 自动生成邮件并发送 📧

是不是已经能脑补出整个系统架构了？😆

二、Document Loaders 概述

1、什么是 Document Loader

在构建 AI 应用时，我们经常会遇到这样的任务：

“把一份 PDF 文档、网页、Markdown 文件、甚至 Notion 页面内容，喂给大模型，让它理解并回答问题。”

问题来了：这些内容格式五花八门，模型又只接受纯文本或结构化数据，我们该怎么办？🤔

这时，LangChain 提供的 Document Loader（文档加载器） 就派上用场啦！

Document Loader 就像一个“格式转换器”+“文件导入助手”，负责把各种各样的文档 👉 变成大模型能理解的“纯文本+元信息”结构。

📦 一个典型的加载结果长这样：

{"page_content": "这里是文档的正文内容……","metadata": {"source": "my_file.pdf","page": 2}
}

这个结构非常适合后续切分、嵌入向量、检索和问答等操作。

📚 支持哪些格式？

LangChain 内置或扩展支持的 Document Loaders 非常多，几乎覆盖常见的所有数据源：

类型	举例
📄 文件类	`.txt`, `.pdf`, `.docx`, `.md`, `.csv` 等
🌐 网络类	网页、博客、RSS、Sitemap
📋 协作类	Notion、Google Docs、Slack、Confluence
🗃️ 数据类	JSON、SQL、Elasticsearch、MongoDB 等
🧩 其他	自定义 Loader，只要你能解析，都能加！

Document Loader 是智能应用中第一个“入口守门员”👮‍♂️，它帮你把“各种格式的知识”变成“模型可读的文本”。

没有它，大模型就只能瞪着 PDF 干瞪眼了 😂

2、常见的 Loader 类型

1️⃣ 本地文件加载器（File Loaders）

这些 Loader 适用于你电脑里的各种文档，比如：

格式	Loader 名称	说明
`.txt`	`TextLoader`	加载纯文本文件
`.pdf`	`PyPDFLoader`, `PDFMinerLoader` 等	支持按页加载 PDF 文档
`.docx`	`UnstructuredWordDocumentLoader`	解析 Word 文件
`.md`	`UnstructuredMarkdownLoader`	加载 Markdown 文件
`.csv`	`CSVLoader`	逐行加载 CSV 文件内容

📌 提示：PDF 支持的 Loader 有多个，可按需选择，比如：

PyPDFLoader: 按页加载，保留分页信息
PDFPlumberLoader: 更适合带复杂格式的 PDF

2️⃣ 网络内容加载器（Web Loaders）

想让 AI 看网页、博客、Sitemap？这些 Loader 派上用场：

数据源	Loader 名称	说明
网页	`WebBaseLoader`	读取网页内容（可自定义解析器）
RSS	`RSSFeedLoader`	加载 RSS 订阅内容
Sitemap	`SitemapLoader`	扫描整站结构并加载页面内容

3️⃣ 协作平台加载器（SaaS & Cloud Docs）

适用于现代团队的“云端知识库”，比如：

平台	Loader 名称	说明
Notion	`NotionDBLoader`	加载 Notion 数据库中的页面
Google Docs	`GoogleDriveLoader`	加载 Google 文档、表格等
GitHub	`GitHubRepoLoader`	加载 GitHub 仓库中的代码文件或文档
Slack	`SlackLoader`	加载 Slack 聊天记录

📝 很适合用于构建企业内部知识问答系统！

4️⃣ 数据库 / 数据源加载器（DB/Data Source）

当你的知识存储在结构化数据库或其他系统中时：

数据源	Loader 名称	说明
SQL 数据库	`SQLDatabaseLoader`	连接数据库并提取数据
Elasticsearch	`ElasticsearchLoader`	加载已有索引中的数据
MongoDB	`MongoDBLoader`	读取 MongoDB 集合内容
JSON	`JSONLoader`	加载本地或远程 JSON 文件

🔗 有些数据库 Loader 可与 ORM / SQLAlchemy 结合使用。

5️⃣ 自定义/非结构化内容加载器

当你遇到“杂七杂八”的文档，比如 HTML、扫描图像、邮件正文……也不用怕：

类型	Loader 名称	说明
任意文本块	`UnstructuredFileLoader`	自动识别结构，适配多种格式（PDF, HTML, EML等）
邮件	`UnstructuredEmailLoader`	提取 EML/MSG 邮件内容
图片	`UnstructuredImageLoader`	OCR 图像并提取文字内容（需 Tesseract）

🧠 “Unstructured” 系列 Loader 是 LangChain 的秘密武器，适配面非常广！

✅ 总结一张图：Loader 类型一览表

📁 本地文件类 → Text, PDF, Word, Markdown, CSV
🌐 网络页面类 → HTML 网页, RSS, Sitemap
☁️ 协作平台类 → Notion, Google Docs, GitHub, Slack
🗃️ 数据源/数据库类 → SQL, MongoDB, Elasticsearch, JSON
🌀 非结构化类 → Email, HTML, OCR 图片, 多格式文档

三、Text Splitters 概述

1、为什么需要 Text Splitter

当我们使用大语言模型（LLM）处理文档时，比如问它：

“请总结这份 200 页的产品白皮书”📄

你可能会遇到👇这种“灵魂打击”：

❌ 模型回复：文本太长，我读不下去了！

因为 大多数模型对输入长度是有限制的（比如 GPT-4 的上下文长度是几千到几万 token，不等于几万字）。文档太长会：

❌ 超出 token 限制，直接报错
❌ 信息太杂，模型难以理解上下文
❌ 检索性能下降，影响回答质量

于是，LangChain 中的 “Text Splitter（文本切分器）” 就成了救场英雄 🦸‍♂️！

🧠 Text Splitter 是干嘛的？

通俗来说：

Text Splitter 就是一个“聪明的剪刀 ✂️”，它把一整段大文本，裁剪成模型可以处理的小段落，并尽量保留上下文逻辑。

✅ 为什么一定要切分？

原因	举个例子 🌰
📏 模型有输入长度限制	一次最多只能看几千 token
🔍 检索更精准	小段落更容易关联关键词
🧠 上下文更清晰	避免模型迷失在长篇大论中
🧪 后续处理更灵活	每段可以独立做嵌入、摘要、问答等操作

2、常见的文本切分策略

🧱 1. CharacterTextSplitter —— 纯文本切分砖头式 🧱

📌 按固定字符数切分文本，最基础的策略。

优点：简单粗暴，适用于没有结构的纯文本
缺点：容易在中间截断句子，影响上下文理解

🧠 适合场景：纯文本日志、没有结构的长段文字

🧠 2. RecursiveCharacterTextSplitter —— 递归智能剪刀 ✂️

📌 优先按段落 > 句子 > 单词 > 字符切分，保持最大完整性。

优点：保留语义结构，尽可能避免切断上下文
缺点：略比 CharacterTextSplitter 慢一些，但更智能

🌟 这是 LangChain 默认推荐使用的切分器！

🧠 适合场景：通用文本、PDF、网页内容、问答任务等

🔡 3. TokenTextSplitter —— 模型视角的切分器 🔍

📌 按 Token 数量切分文本，而不是字符数！

优点：精确控制模型的输入上限，避免超出上下文窗口
缺点：需要引入 Tokenizer（如 OpenAI 或 HuggingFace）

🔍 每个 token ≈ 0.75 个英文单词，适合多语言文本处理

🧠 适合场景：需要严格控制 token 长度（如 GPT-3.5/4）

📄 4. MarkdownTextSplitter —— Markdown 专用 ✍️

📌 识别标题、列表、代码块等 Markdown 结构，有结构感地切分。

优点：支持 Markdown 语法，切分结果更有层次感
缺点：不适合非 Markdown 文档

🧠 适合场景：知识库、技术文档、博客文章

🧬 5. SpacyTextSplitter —— 语言学视角的切分器 📚

📌 用 NLP 工具 Spacy 对文本按句子切分，更具语言理解力。

优点：语义层面更精细，尤其适合自然语言句子
缺点：依赖第三方库，处理速度较慢

🧠 适合场景：高质量问答、摘要、学术文章

🧾 一张表对比：快速选择适合的切分器 ✅

Splitter 名称	切分方式	优点	适用场景
`CharacterTextSplitter`	按字符数切分	简单快速	纯文本
`RecursiveCharacterTextSplitter`	递归结构切分	最推荐，保留语义	通用文档、问答系统
`TokenTextSplitter`	按 token 数切分	精准控制输入	Token 限制敏感任务
`MarkdownTextSplitter`	识别 Markdown 结构	有层次感	技术文档、博客
`SpacyTextSplitter`	按句子切分	更符合语言逻辑	NLP 高质量处理

四、实战示例

1、使用 PDFLoader + RecursiveCharacterTextSplitter 构建文档块

🧠 系统目标

构建一个能同时处理：

✅ 文本内容（用于问答/摘要）
🖼 图片内容（用于图文搜索、OCR 或视觉问答）

🧱 系统组件架构

[PDF 文档]
│
├── PDF 文本块提取 ---> 文本切分（RecursiveCharacterTextSplitter）
│ ↓
│ 文本文档块 (List[Document])
│
├── PDF 图片提取 ---> 图片切片、OCR（可选）
↓
图片数据块 (List[ImageDocument])
│
└── 图文融合文档构建 ---> 图文统一格式：带文本+图片的 Document
↓
最终图文文档块 (List[FusedDocument])

✅ 第一步：提取文本块

from langchain.document_loaders import PyPDFLoader
from langchain.text_splitter import RecursiveCharacterTextSplitter# 加载 PDF 文本
pdf_loader = PyPDFLoader("example.pdf")
pages = pdf_loader.load()# 切分文本块
splitter = RecursiveCharacterTextSplitter(chunk_size=1000, chunk_overlap=100)
text_chunks = splitter.split_documents(pages)

第二步：提取图片块 + 可选切分/OCR

import fitz  # PyMuPDF
from PIL import Image
from io import BytesIOimage_chunks = []doc = fitz.open("example.pdf")for page_num, page in enumerate(doc):images = page.get_images(full=True)for img_index, img in enumerate(images):xref = img[0]base_image = doc.extract_image(xref)image_bytes = base_image["image"]image_ext = base_image["ext"]image = Image.open(BytesIO(image_bytes))# 可选：切分图片或运行 OCRimage_chunk = {"page": page_num + 1,"index": img_index + 1,"image": image,"description": f"第{page_num+1}页的图片{img_index+1}"}image_chunks.append(image_chunk)

💡 OCR 可选：可结合 pytesseract 提取图片中的文字以增强图文问答。

🔗 第三步：图文融合文档块

我们把图像信息整合进 LangChain 的 Document 中（或自定义类）：

from langchain.schema import Documentfused_documents = []# 文本块先入
for chunk in text_chunks:fused_documents.append(chunk)# 图片块转为 Document（注意可自定义内容结构）
for image_data in image_chunks:doc = Document(page_content=f"[图像] {image_data['description']}",metadata={"type": "image","page": image_data["page"],"image_obj": image_data["image"]})fused_documents.append(doc)

📌 建议：将图像保存为本地路径或上传后使用 URL，再嵌入 metadata。

🤖 最终用途（示例）

构建向量索引（仅文本内容 + OCR 图像文字）：

from langchain.vectorstores import FAISS
from langchain.embeddings import OpenAIEmbeddings# 只索引文本文档
vectorstore = FAISS.from_documents(text_chunks, OpenAIEmbeddings())

问答应用（图文支持）：

用户提问时，匹配文本块
如果命中含图文 metadata 的块，可联动前端展示图片
图片块也可通过关键词 OCR 搜索检索

2、多文档加载并批量切分

要实现 多 PDF 文档的批量加载 + 切分（支持后续统一向量化、入库），我们可以使用 PyPDFLoader 或 UnstructuredPDFLoader，配合 RecursiveCharacterTextSplitter 进行统一处理。

下面是完整且实用的代码示例 ✅

🧠 完整代码逻辑：

import os
from langchain.document_loaders import PyPDFLoader
from langchain.text_splitter import RecursiveCharacterTextSplitter# 设置你的 PDF 文件夹路径
pdf_folder = "./docs"# 初始化空列表收集所有文档
all_documents = []# 遍历目录下所有 PDF 文件
for filename in os.listdir(pdf_folder):if filename.endswith(".pdf"):file_path = os.path.join(pdf_folder, filename)# 加载当前 PDFloader = PyPDFLoader(file_path)documents = loader.load()# 添加文档元信息（可选）for doc in documents:doc.metadata["source_file"] = filenameall_documents.extend(documents)print(f"总共加载了 {len(all_documents)} 个页面 📝")# 切分文档块
splitter = RecursiveCharacterTextSplitter(chunk_size=1000, chunk_overlap=200)
split_docs = splitter.split_documents(all_documents)print(f"切分后文档块数: {len(split_docs)} ✅")

📌 输出样例：

总共加载了 85 个页面 📝
切分后文档块数: 431 ✅

🧰 补充建议

功能	方法
📌 元信息添加	用于记录文件名、页码等，方便溯源
🧠 多格式支持	用 `UnstructuredLoader` 支持 Word、HTML、TXT 等
💾 存入向量库	用 `FAISS.from_documents()` 或 `Chroma.from_documents()`
🔐 大模型向量化	使用 `OpenAIEmbeddings`、`HuggingFaceEmbeddings` 等