如何用Python LangChain框架的load()函数加载3-4个PDF文件？

加载 PDF 原始页面，保留完整内容不分割 在基于 LangChain 处理 PDF 文档的场景中，很多开发者默认使用的加载方式会自动将文档内容分割成小块，虽然便于后续检索，但有时我们更需要保留 PDF 原始页面的完整内容 —— 比如解析出团通知书、合同类 PDF 时，按页码完整提取内容才能保证信息的完整性和上下文连贯。今天就和大家分享如何用 LangChain 精准加载 PDF 原始页面，完整保留每一页的全部内容。 核心需求与场景 日常处理 PDF 时，LangChain 的 PyPDFLoader 默认配合 split_text 等方法会把页面内容按字符数 / 分隔符拆分，这在需要完整页面信息的场景下并不适用： 解析出团通知书、合同等格式规整的 PDF，需按原始页码完整提取内容； 保留每页的元数据（页码、文件来源），便于后续按页管理和使用； 避免自动分割导致的内容碎片化，保证单页信息的完整性。 实现思路与特点 1. 核心加载逻辑 使用 LangChain 的 PyPDFLoader 时，load()方法会按 PDF 原始页码生成独立的 Document 对象，每个对象对应一页完整内容，且保留页码、文件路径等元数据。 2. 关键特性 内容完整性：每个 Document 对象对应 PDF 的一个原始页面，完整保留该页所有文本内容，无任何拆分； 元数据保留：可直接提取每个页面的页码（从 0 开始，可自行转换为日常计数）、文件来源路径等关键信息； 灵活遍历：可按页码遍历所有页面，按需提取指定页的内容，便于后续按页处理、输出或存储。 3. 实用扩展 加载完成后，可轻松实现： 按页码筛选指定页面的内容； 统计每一页的字符数，快速判断页面内容体量； 提取所有页面的元数据，生成 PDF 页面清单； 将完整页面内容写入文本文件、数据库，或对接大模型进行整页内容解析。 应用价值 这种加载方式特别适合需要完整 PDF 页面信息的业务场景： 文档解析：按原始页码完整提取通知书、合同、报告类 PDF 的内容，保证信息不缺失； 内容管理：按页存储 PDF 内容，便于后续按页码检索、修改和复用； 数据校验：可快速核对每页内容的完整性，避免因自动分割导致的信息遗漏。 总结 LangChain 的 PyPDFLoader 通过load()方法可直接加载 PDF 原始页面，无需自动分割，保留每页完整内容； 加载后生成的 Document 对象包含页码、文件来源等元数据，便于按页管理和使用； 该方式适配需要完整页面信息的场景，解决了自动分割导致的内容碎片化问题，提升 PDF 处理的精准性。 相比默认的分割加载方式，这种 “保留原始页面” 的加载思路更贴合格式规整、需完整信息的 PDF 处理场景，是 LangChain 处理 PDF 文档时的实用技巧。 实现代码如下： from langchain_community.document_loaders import PyPDFLoader # 仅加载PDF（不分割），保留原始页面完整内容 loader = PyPDFLoader("./txt/1129全景四川双飞8日出团通知书-2.pdf") pdf_docs = loader.load() # 核心区别：仅加载，无自动分割 # 遍历每个Document对象（对应PDF原始页码），提取并输出各属性 print("=" * 80) print("PDF加载结果详情（按原始页码展示）") # 标题调整为“加载”而非“分割” print("=" * 80) for idx, doc in enumerate(pdf_docs): # 提取核心属性（和原格式一致） page_content = doc.page_content # 对应页码的完整文本内容（无分割） page_num = doc.metadata.get("page", "未知页码") # 原始页码索引（从0开始） source_file = doc.metadata.get("source", "未知文件") # 文档来源路径 # 格式化输出（和原格式完全一致） print(f"\n【第 {idx + 1} 个页面】") # 调整描述为“页面”而非“文档块”，更贴合load()特性 print(f"1. 文档来源：{source_file}") print(f"2. 页码：第 {page_num + 1} 页") # 转换为日常计数（从1开始） print(f"3. 文本内容（字符数：{len(page_content)}）：") print("-" * 60) print(page_content.strip()) # 去除首尾空白，保持内容整洁 print("-" * 60) # 汇总信息（调整描述，体现“加载页面数”而非“分割块数”） print(f"\n✅ 汇总：共加载出 {len(pdf_docs)} 个原始页面，文档来源为 {pdf_docs[0].metadata['source']}") 执行结果(内容太长截取部分内容)： ================================================================================ PDF加载结果详情（按原始页码展示） ================================================================================ 【第 1 个页面】 1. 文档来源：./txt/1129全景四川双飞8日出团通知书-2.pdf 2. 页码：第 1 页 3. 文本内容（字符数：1315）： ------------------------------------------------------------ 出团通知书 重要提示： 尊敬的游客：您好！ 感谢您选择我们的服务，为保证您的顺利出行，现提示如下：...... ------------------------------------------------------------ 【第 2 个页面】 1. 文档来源：./txt/1129全景四川双飞8日出团通知书-2.pdf 2. 页码：第 2 页 3. 文本内容（字符数：877）： ------------------------------------------------------------ 造成不必要的损失和麻烦。 3.出团前请认真检查自己的随身物品是否齐全，特别是身份证、护照等证件并随身携带，以保证自身顺利出入境。 4.长途旅行时注意保管贵重物品，现金、首饰、手机等贵重物品请随身携带，特别是护照和机票要妥善保管。...... 更多学习资料尽在 老虎网盘资源