要忽略DOC或PDF文档中的图片，可以使用html2text库并将ignore_images属性设置为True。以下是一个示例：

import `html2text`

# 设置`text_maker.ignore_images = True`以在处理过程中忽略文档中的图片

`html2text`.set_attribute(`text_maker.ignore_images = True`)

• 要继续与Dosu交流，请提及@dosu。*

How to use with SimpleDirectoryReader

要使用 SimpleDirectoryReader 处理 DOC 或 PDF 文件并忽略图像，您可以自定义文件阅读器以在读取文件之前对它们进行预处理。以下是如何实现这一点的示例：

1. 创建自定义阅读器:扩展 DocxReader 和 PDFReader 类以预处理文本并忽略图像。
2. 使用自定义阅读器与 SimpleDirectoryReader。
   以下是一个示例实现：

from llama_index.core import SimpleDirectoryReader
from llama_index.readers.file import DocxReader, PDFReader
from llama_index.legacy.schema import Document

class CustomDocxReader(DocxReader):
    def load_data(self, file, extra_info=None):
        documents = super().load_data(file, extra_info)
        for doc in documents:
            doc.text = self._preprocess_text(doc.text)
        return documents

    def _preprocess_text(self, text):
        # Implement your logic to remove images or unwanted content
        return text.replace("image_placeholder", "")

class CustomPDFReader(PDFReader):
    def load_data(self, file, extra_info=None):
        documents = super().load_data(file, extra_info)
        for doc in documents:
            doc.text = self._preprocess_text(doc.text)
        return documents

    def _preprocess_text(self, text):
        # Implement your logic to remove images or unwanted content
        return text.replace("image_placeholder", "")

# Use SimpleDirectoryReader with custom readers
file_extractor = {
    ".docx": CustomDocxReader(),
    ".pdf": CustomPDFReader()
}

documents = SimpleDirectoryReader(
    "./data", file_extractor=file_extractor
).load_data()

# Print the text of the first document
print(documents[0].text)

在此示例中，CustomDocxReader 和 CustomPDFReader 在返回 Document 对象之前预处理文本以删除图像或其他不需要的内容。您可以根据自己的需求定制 _preprocess_text 方法。

• 要继续与 Dosu 交流，请提及 @dosu。*