大模型文档处理之 doc

常用的文档处理工具如下

from langchain_community.document_loaders import (
    BSHTMLLoader,
    CSVLoader,
    Docx2txtLoader,
    OutlookMessageLoader,
    PyPDFLoader,
    TextLoader,
    UnstructuredEPubLoader,
    UnstructuredExcelLoader,
    UnstructuredMarkdownLoader,
    UnstructuredPowerPointLoader,
    UnstructuredRSTLoader,
    UnstructuredXMLLoader,
    YoutubeLoader,
)

问题：docx 可以用 Docx2txtLoader 处理，但是 doc 不行，估计是 doc 格式太老了，不想适配了。

尝试过的无效方案：

• 使用 from langchain_community.document_loaders import UnstructuredWordDocumentLoader
• 使用 pandoc（不支持 doc 的处理）

可行的解决方案：使用 LibreOffice

subprocess.check_output([SOFFICE_PATH, "--headless", "--convert-to", "docx", file_path, "--outdir", dir])