LangChain文档加载器全解析：类型汇总+手把手实操教程
在LangChain开发中，文档加载是数据接入的第一步，也是最基础的核心环节——无论你是搭建知识库问答、实现文档总结，还是做文本分析类应用，都需要先通过「文档加载器」将本地文件、网页、数据库等各类数据源，转换成LangChain可识别的标准Document对象（包含page_content内容和metadata元数据）。
之前有很多同学问我，LangChain到底有多少种文档加载器？不同格式的文件该怎么正确加载？今天就结合实操，把LangChain文档加载器的类型、用法一次性讲透，全程附可直接复制运行的代码，新手也能快速上手。
一、LangChain文档加载器分类（按数据源划分）
LangChain的文档加载器全部集成在langchain-community包中（旧版在langchain包内），核心按「数据源类型」可分为5大类，每类对应常用场景和具体加载器，用表格整理更清晰，方便大家按需查找：
| 分类 | 常用加载器 | 适用场景 | 关键备注 |
|---|---|---|---|
| 本地文件格式（最常用） | TextLoader | TXT纯文本文件 | 轻量高效，需指定编码避免中文乱码 |
| PyPDFLoader | PDF文件 | 轻量优先，每页生成1个Document对象 | |
| PDFPlumberLoader | PDF文件（复杂格式） | 可提取表格、精准定位文本，依赖pdfplumber | |
| Docx2txtLoader/DocxLoader | Word（.docx）文档 | 前者简单易用，后者支持提取样式 | |
| CSVLoader | CSV表格文件 | 每行生成1个Document，可自定义分隔符 | |
| ExcelLoader | Excel（.xls/.xlsx）文件 | 依赖pandas、openpyxl，支持多工作表 | |
| UnstructuredFileLoader | 多格式通用（TXT/PDF/DOCX/MD等） | 新手首选，无需区分文件格式，依赖unstructured | |
| 网页/网络资源 | WebBaseLoader | 任意网页内容加载 | 基于BeautifulSoup，可解析网页结构 |
| YoutubeLoader | YouTube视频内容 | 提取字幕或语音转文字，依赖pytube | |
| WikipediaLoader | 维基百科页面内容 | 可按标题、URL加载，支持多语言 | |
| 云服务/远程存储 | S3Loader | AWS S3存储桶文件 | 需配置AWS密钥，支持批量加载 |
| GoogleDriveLoader | 谷歌云盘文件/文件夹 | 需授权，支持文档、表格等多种格式 | |
| NotionLoader | Notion数据库/页面 | 需Notion API密钥，支持批量同步 | |
| 数据库 | SQLDatabaseLoader | 关系型数据库（MySQL/PostgreSQL等） | 执行SQL查询，将结果转为Document |
| MongoDBLoader | MongoDB文档数据库 | 支持按条件查询，批量加载文档 | |
| 特殊类型 | AudioLoader | 音频文件（MP3/WAV等） | 需配合ASR模型（如Whisper）转文字 |
| CodeLoader | 代码文件（Python/Java等） | 支持语法解析，保留代码结构 |
二、实操教程：手把手加载各类文件（LangChain最新版）
核心前提：LangChain最新版（v0.1+）将文档加载器迁移到了langchain-community包中，所以第一步必须安装核心依赖，后续按需安装对应文件格式的依赖即可。
前置准备：安装核心依赖
# 核心包（必装）：包含所有文档加载器pipinstalllangchain langchain-community# 按需安装文件格式依赖（根据自己要加载的文件选择）pipinstallpypdf# PDF加载（PyPDFLoader）pipinstallpdfplumber# PDF复杂加载（PDFPlumberLoader）pipinstallpython-docx# Word文档加载pipinstallpandas openpyxl# Excel/CSV加载pipinstallunstructured# 通用加载器（UnstructuredFileLoader）pipinstallbeautifulsoup4# 网页加载（WebBaseLoader）pipinstallpytube# YouTube视频加载示例1：加载TXT文件（最简单，新手入门）
TXT文件是最基础的格式，加载无需复杂配置，重点注意指定编码（utf-8），避免中文乱码。
fromlangchain_community.document_loadersimportTextLoader# 1. 初始化加载器：指定文件路径和编码loader=TextLoader(file_path="test.txt",# 替换成你的TXT文件路径encoding="utf-8"# 中文文件必加，避免乱码)# 2. 加载文件：返回Document对象列表（TXT只有1个对象）documents=loader.load()# 查看加载结果print("=== TXT加载结果 ===")print("文本内容（前200字）：",documents[0].page_content[:200])print("元数据（文件信息）：",documents[0].metadata)# 包含文件路径、编码等示例2：加载PDF文件（最常用场景）
推荐使用PyPDFLoader（轻量），如果PDF有表格、复杂排版，改用PDFPlumberLoader。注意：PDF每页会生成1个Document对象，方便后续按页处理。
fromlangchain_community.document_loadersimportPyPDFLoader# 1. 初始化加载器（替换成你的PDF路径）loader=PyPDFLoader("test.pdf")# 2. 加载文件：每页1个Document，返回列表documents=loader.load()# 查看结果print("=== PDF加载结果 ===")print(f"PDF总页数：{len(documents)}")print("第1页内容（前300字）：",documents[0].page_content[:300])# 若PDF有表格，改用PDFPlumberLoader# from langchain_community.document_loaders import PDFPlumberLoader# loader = PDFPlumberLoader("test.pdf")# documents = loader.load()示例3：加载Word（DOCX）文件
两种加载器可选：Docx2txtLoader（简单，无需关注样式）、DocxLoader（复杂，可提取字体、段落样式），新手用前者即可。
fromlangchain_community.document_loadersimportDocx2txtLoader# 1. 初始化加载器（替换成你的DOCX路径）loader=Docx2txtLoader("test.docx")# 2. 加载文件：整个Word文档生成1个Document对象documents=loader.load()# 查看结果print("=== Word加载结果 ===")print("文档内容（前300字）：",documents[0].page_content[:300])示例4：加载CSV/Excel表格文件
CSV用CSVLoader，Excel用ExcelLoader，两者用法类似，重点可自定义编码、分隔符（CSV）、工作表（Excel）。
# 示例4.1：加载CSV文件fromlangchain_community.document_loadersimportCSVLoader loader=CSVLoader(file_path="test.csv",encoding="utf-8",delimiter=",",# 分隔符，默认逗号，Excel导出的CSV可用csv_args={"quotechar":'"'}# 可选，处理字段包含引号的情况)documents=loader.load()# 每行1个Document对象print("=== CSV加载结果 ===")print(f"CSV总行数：{len(documents)}")print("第一行内容：",documents[0].page_content)# 示例4.2：加载Excel文件fromlangchain_community.document_loadersimportExcelLoader loader=ExcelLoader(file_path="test.xlsx",sheet_name="Sheet1"# 指定工作表，默认第一个工作表)documents=loader.load()# 每行1个Document对象print("=== Excel加载结果 ===")print(f"Excel总行数：{len(documents)}")print("第一行内容：",documents[0].page_content)示例5：通用加载器（新手福音，多格式适配）
如果不想区分文件格式，不管是PDF、DOCX还是TXT，直接用UnstructuredFileLoader，一行代码切换文件路径即可，适合多格式混合的场景。
fromlangchain_community.document_loadersimportUnstructuredFileLoader# 支持PDF/DOCX/TXT/MD等，只需替换文件路径loader=UnstructuredFileLoader(file_path="test.pdf",# 换成test.docx、test.txt也能正常加载encoding="utf-8")documents=loader.load()print("=== 通用加载器结果 ===")print("文件内容（前200字）：",documents[0].page_content[:200])补充：加载后的数据处理（必学技巧）
加载后的documents是Document对象列表，若文件过大（如几百页PDF），直接使用会导致后续模型处理超时，建议进行「文档分割」，保持上下文连贯的同时，控制单篇内容长度。
fromlangchain_text_splittersimportCharacterTextSplitter# 初始化文本分割器text_splitter=CharacterTextSplitter(chunk_size=500,# 每个分片500个字符（可调整）chunk_overlap=50# 分片间重叠50个字符，保持上下文连贯)# 分割加载后的文档split_docs=text_splitter.split_documents(documents)print(f"分割前文档数：{len(documents)}")print(f"分割后文档数：{len(split_docs)}")print("分割后第一个分片：",split_docs[0].page_content)三、常见问题&避坑技巧
中文乱码：所有加载器都指定encoding=“utf-8”，若仍乱码，尝试encoding=“gbk”（适配Windows系统导出的文件）。
PDF加载失败：检查是否安装pypdf依赖，复杂PDF（加密、扫描件）需先解密或OCR识别（LangChain不直接支持OCR，需先借助Tesseract等工具转文字）。
依赖冲突：若安装后报错，尝试升级依赖（pip install --upgrade langchain langchain-community），或指定兼容版本。
批量加载：若需加载多个同类型文件（如多个PDF），可使用DirectoryLoader（遍历文件夹），无需逐个初始化加载器。
四、总结
LangChain文档加载器的核心优势的是「统一接口+多源适配」——无论数据源是本地文件、网页还是数据库，都能通过相同的load()方法加载，转换成标准Document对象，为后续的文本处理、模型调用提供统一格式。
对于新手来说，优先掌握「本地文件加载」和「通用加载器」，就能覆盖80%的开发场景；后续有网页、数据库等需求，再针对性学习对应加载器即可。
最后提醒：所有代码均基于LangChain最新版（v0.1+），若使用旧版，需调整导入路径（旧版从langchain导入，新版从langchain_community导入），避免报错。
如果大家在实操中遇到具体问题，欢迎在评论区留言，后续会补充更多特殊场景的加载技巧~
)