Skip to main content
Microsoft SharePoint 是一个基于网站的协作系统，由 Microsoft 开发，利用工作流应用程序、“列表”数据库以及其他 Web 部件和安全功能，赋能业务团队协同工作。
本笔记本介绍如何从 SharePoint 文档库 加载文档。默认情况下，文档加载器加载 pdf、doc、docx 和 txt 文件。您可以通过提供适当的解析器来加载其他文件类型（详见下文）。

​
前提条件

  1. 按照 Microsoft 身份平台 说明注册一个应用程序。
  2. 注册完成后，Azure 门户会显示应用注册的概述窗格。您会看到应用程序（客户端）ID。也称为 client ID，此值在 Microsoft 身份平台中唯一标识您的应用程序。
  3. 在遵循 第 1 项 的步骤时，您可以将重定向 URI 设置为 https://login.microsoftonline.com/common/oauth2/nativeclient
  4. 在遵循 第 1 项 的步骤时，在“应用程序密码”部分生成一个新密码（client_secret）。
  5. 按照此 文档 的说明，将以下 SCOPES（offline_access 和 Sites.Read.All）添加到您的应用程序。
  6. 要从您的 文档库 检索文件，您需要其 ID。要获取它，您需要 Tenant Name、Collection ID 和 Subsite ID 的值。
  7. 要找到您的 Tenant Name，请按照此 文档 的说明操作。获取后，只需从该值中移除 .onmicrosoft.com，剩下的部分即为您的 Tenant Name。
  8. 要获取您的 Collection ID 和 Subsite ID，您需要您的 SharePoint site-name。您的 SharePoint 站点 URL 格式如下：https://<tenant-name>.sharepoint.com/sites/<site-name>。此 URL 的最后一部分就是 site-name。
  9. 要获取站点 Collection ID，请在浏览器中访问此 URL：https://<tenant>.sharepoint.com/sites/<site-name>/_api/site/id 并复制 Edm.Guid 属性的值。
  10. 要获取 Subsite ID（或 web ID），请使用：https://<tenant>.sharepoint.com/sites/<site-name>/_api/web/id 并复制 Edm.Guid 属性的值。
  11. SharePoint 站点 ID 的格式如下：<tenant-name>.sharepoint.com,<Collection ID>,<subsite ID>。您可以保存该值以备下一步使用。
  12. 访问 Graph Explorer Playground 以获取您的 Document Library ID。第一步是确保您使用与您的 SharePoint 站点关联的账户登录。然后您需要向 https://graph.microsoft.com/v1.0/sites/<SharePoint 站点 ID>/drive 发出请求，响应将返回一个包含 id 字段的有效负载，该字段保存着您的 Document Library ID。

​
🧑 从 SharePoint 文档库摄取文档的说明

​
🔑 身份验证

默认情况下，SharePointLoader 期望 CLIENT_ID 和 CLIENT_SECRET 的值必须存储为名为 O365_CLIENT_ID 和 O365_CLIENT_SECRET 的环境变量。您可以通过应用程序根目录下的 .env 文件传递这些环境变量，或者在脚本中使用以下命令。 
os.environ['O365_CLIENT_ID'] = "您的客户端 ID"
os.environ['O365_CLIENT_SECRET'] = "您的客户端密钥"
此加载器使用一种称为 代表用户 的身份验证方式。这是一个需要用户同意的两步身份验证。当您实例化加载器时，它将打印一个 URL，用户必须访问该 URL 以同意应用程序所需的权限。然后用户必须访问此 URL 并同意应用程序的请求。接着用户必须复制生成的页面 URL 并将其粘贴回控制台。如果登录尝试成功，该方法将返回 True。 
from langchain_community.document_loaders.sharepoint import SharePointLoader

loader = SharePointLoader(document_library_id="您的文档库 ID")
身份验证完成后，加载器将在 ~/.credentials/ 文件夹中存储一个令牌（o365_token.txt）。该令牌可用于后续的身份验证，而无需之前解释的复制/粘贴步骤。要使用此令牌进行身份验证，您需要在加载器实例化时将 auth_with_token 参数更改为 True。 
from langchain_community.document_loaders.sharepoint import SharePointLoader

loader = SharePointLoader(document_library_id="您的文档库 ID", auth_with_token=True)

​
🗂️ 文档加载器

​
📑 从文档库目录加载文档

SharePointLoader 可以从文档库内的特定文件夹加载文档。例如，您希望加载存储在文档库内 Documents/marketing 文件夹中的所有文档。 
from langchain_community.document_loaders.sharepoint import SharePointLoader

loader = SharePointLoader(document_library_id="您的文档库 ID", folder_path="Documents/marketing", auth_with_token=True)
documents = loader.load()
如果您收到错误 Resource not found for the segment，请尝试使用 folder_id 而不是文件夹路径，该 ID 可以从 Microsoft Graph API 获取。 
loader = SharePointLoader(document_library_id="您的文档库 ID", auth_with_token=True
                          folder_id="<文件夹 ID>")
documents = loader.load()
如果您希望从根目录加载文档，可以省略 folder_id、folder_path 和 documents_ids，加载器将加载根目录。 
# 从根目录加载文档
loader = SharePointLoader(document_library_id="您的文档库 ID", auth_with_token=True)
documents = loader.load()
结合 recursive=True，您可以轻松加载整个 SharePoint 的所有文档： 
# 从根目录加载文档
loader = SharePointLoader(document_library_id="您的文档库 ID",
                          recursive=True,
                          auth_with_token=True)
documents = loader.load()

​
📑 从文档 ID 列表加载文档

另一种可能性是提供您要加载的每个文档的 object_id 列表。为此，您需要查询 Microsoft Graph API 以找到您感兴趣的所有文档 ID。此 链接 提供了一系列端点，有助于检索文档 ID。 例如，要检索存储在 data/finance/ 文件夹中的所有对象的信息，您需要向以下地址发出请求：https://graph.microsoft.com/v1.0/drives/<文档库 ID>/root:/data/finance:/children。一旦您有了感兴趣的 ID 列表，就可以使用以下参数实例化加载器。 
from langchain_community.document_loaders.sharepoint import SharePointLoader

loader = SharePointLoader(document_library_id="您的文档库 ID", object_ids=["ID_1", "ID_2"], auth_with_token=True)
documents = loader.load()

​
📑 选择支持的文件类型和首选解析器

默认情况下，SharePointLoader 使用默认解析器（见下文）加载在 document_loaders/parsers/registry 中定义的文件类型。 
def _get_default_parser() -> BaseBlobParser:
    """获取基于 MIME 类型的默认解析器。"""
    return MimeTypeBasedParser(
        handlers={
            "application/pdf": PyMuPDFParser(),
            "text/plain": TextParser(),
            "application/msword": MsWordParser(),
            "application/vnd.openxmlformats-officedocument.wordprocessingml.document": (
                MsWordParser()
            ),
        },
        fallback_parser=None,
    )
您可以通过向 SharePointLoader 传递 handlers 参数来覆盖此行为。传递一个字典，将文件扩展名（如 "doc"、"pdf" 等）或 MIME 类型（如 "application/pdf"、"text/plain" 等）映射到解析器。请注意，您必须仅使用文件扩展名或仅使用 MIME 类型，不能混合使用。 文件扩展名不要包含前导点。 
# 使用文件扩展名：
handlers = {
    "doc": MsWordParser(),
    "pdf": PDFMinerParser(),
    "mp3": OpenAIWhisperParser()
}

# 使用 MIME 类型：
handlers = {
    "application/msword": MsWordParser(),
    "application/pdf": PDFMinerParser(),
    "audio/mpeg": OpenAIWhisperParser()
}

loader = SharePointLoader(document_library_id="...",
                            handlers=handlers # 将 handlers 传递给 SharePointLoader
                            )
如果多个文件扩展名映射到同一个 MIME 类型，将应用字典中的最后一项。 示例： 
# 'jpg' 和 'jpeg' 都映射到 'image/jpeg' MIME 类型。SecondParser() 将用于
# 解析所有 jpg/jpeg 文件。
handlers = {
    "jpg": FirstParser(),
    "jpeg": SecondParser()
}
Edit this page on GitHub or file an issue.
Connect these docs to Claude, VSCode, and more via MCP for real-time answers.