LangChain 处理 Excel 文件全攻略:从内容提取到智能分片

在 RAG（检索增强生成）应用中，Excel 是最常见的企业数据格式之一。本文带你深入了解 LangChain 如何加载 Excel 文件，以及如何利用分片策略让表格数据更好地服务于大模型检索。

一、LangChain 的 Excel 处理架构

LangChain 处理 Excel 的核心类是 UnstructuredExcelLoader，位于 langchain-community 包中。它的架构很简洁：

UnstructuredExcelLoader
    └── 继承自 UnstructuredFileLoader
            └── 继承自 UnstructuredBaseLoader
                    └── 继承自 BaseLoader

底层依赖 unstructured 库的 partition_xlsx() 函数完成实际的文件解析。LangChain 本身只做了一层封装，负责将解析结果转换为标准的 Document 对象。

二、三种加载模式

UnstructuredExcelLoader 支持三种 mode，决定了 Excel 内容如何被组装为 Document：

1. single 模式（默认）

所有内容拼接为一个 Document，表格的 HTML 表示存放在 metadata["text_as_html"] 中。

from langchain_community.document_loaders.excel import UnstructuredExcelLoader

loader = UnstructuredExcelLoader("sales.xlsx", mode="single")
docs = loader.load()

print(len(docs))  # 1
print(docs[0].page_content[:200])

2. elements 模式

每个 Sheet 被解析为独立的 Table element，各自对应一个 Document。推荐用于多 Sheet 文件。

loader = UnstructuredExcelLoader("sales.xlsx", mode="elements")
docs = loader.load()

for doc in docs:
    print(doc.metadata.get("category"))  # "Table"
    print(doc.page_content[:100])

3. paged 模式（已废弃）

按页码合并 elements。官方已建议改用 chunking_strategy="by_page" 替代。

三、重点：分片策略（Chunking Strategy）

UnstructuredExcelLoader 本身不做分片。 它只负责"提取"内容。如果你需要对 Excel 内容做分片用于 RAG 索引，有两种方案。

方案一：使用 unstructured 内置分片

通过 chunking_strategy 参数直接传给 unstructured 库，在提取阶段完成分片。

支持的策略一览

常用控制参数

示例代码

from langchain_community.document_loaders.excel import UnstructuredExcelLoader

# basic 策略：顺序合并，每块最多 500 字符，重叠 50 字符
loader = UnstructuredExcelLoader(
"sales.xlsx",
    mode="elements",
    chunking_strategy="basic",
    max_characters=500,
    overlap=50,
)
docs = loader.load()
print(f"共 {len(docs)} 个分片")

# by_title 策略：按标题分片
loader = UnstructuredExcelLoader(
"sales.xlsx",
    mode="elements",
    chunking_strategy="by_title",
    max_characters=1000,
    combine_text_under_n_chars=200,
)
docs = loader.load()

方案二：Loader + Text Splitter 两步走

先用 Loader 提取全部内容，再用 LangChain 的 Text Splitter 做分片。灵活度更高，可以自由选择分片算法。

from langchain_community.document_loaders.excel import UnstructuredExcelLoader
from langchain_text_splitters import RecursiveCharacterTextSplitter

# 第一步：提取
loader = UnstructuredExcelLoader("sales.xlsx", mode="elements")
docs = loader.load()

# 第二步：分片
splitter = RecursiveCharacterTextSplitter(
    chunk_size=1000,
    chunk_overlap=200,
)
chunks = splitter.split_documents(docs)

print(f"原始文档数: {len(docs)}, 分片后: {len(chunks)}")

四、实践建议

Excel 场景该选哪种方案？

注意事项

1. 安装依赖：需要额外安装 unstructured 和 openpyxl：

pip install unstructured openpyxl

1. Excel 的特殊性：Excel 不像 PDF 有天然的"页"概念，unstructured 通常将每个 Sheet 解析为一个 Table element。如果单个 Sheet 数据量巨大，by_title 和 by_page 策略效果有限，此时 basic 策略或自定义分片更实用。

2. 表格结构保留：single 模式下，表格会转为 HTML 格式存在 metadata 中（text_as_html），如果下游需要保留表格结构，可以利用这个字段。

3. 性能考虑：对于大型 Excel 文件，unstructured 的解析可能较慢。如果只需要简单的文本提取，直接用 pandas + 自定义 Loader 会更高效。

五、总结

LangChain 对 Excel 的处理遵循"Loader 只管提取，分片交给策略"的设计哲学：

• UnstructuredExcelLoader 负责将 Excel 转为 Document 对象
• 分片可以通过 chunking_strategy 参数在提取时完成，也可以用 Text Splitter 后置处理
• 对于企业级 RAG 应用，建议根据数据特点选择合适的分片策略，并通过 max_characters、overlap 等参数调优

掌握这些，你就能让 Excel 数据在 RAG 管道中发挥最大价值。