Actualización a Jan 2024:
Estas son las librerías que deben importar para que esta clase pueda funcionar:
%%capture
!pip install "unstructured[pdf]"
!pip install -U langchain-community
Y este es el enlace para ver como hacer el ejercicio de word:
Cargar datos en LangChain es el primer paso para indexar información y prepararla para tareas de recuperación o generación aumentada. Con los document loaders puedes transformar archivos como PDFs, CSVs, Excels o HTML en objetos document con su page_content y metadata, listos para usarse en pipelines de IA.
¿Qué hace un document loader en LangChain?
Un document loader convierte fuentes externas en objetos estructurados que LangChain entiende. Cada document contiene dos atributos clave: el page_content, que es el texto, y la metadata, que describe el origen y otros datos útiles.
LangChain trae integraciones listas para múltiples formatos, así que rara vez necesitas escribir un loader desde cero. Aun así, puedes crear el tuyo cuando necesitas controlar cómo se arma la metadata.
.txt.¿Qué es un document en LangChain? Es un objeto con dos partes:
page_content(el texto) ymetadata(información sobre la fuente, página, autor, etc.). Es el formato estándar que usan los pipelines de indexación.
¿Cómo cargar un PDF como texto no estructurado?
Los PDFs entran en la categoría de datos no estructurados, igual que un Word o un .txt. Para tratarlos así, LangChain ofrece UnstructuredFileLoader dentro de document_loaders [01:00].
Primero instalas la librería unstructured, de la que depende LangChain. Después importas el loader, le pasas el path del PDF y llamas a load() para obtener tus datos.
python from langchain.document_loaders import UnstructuredFileLoader
loader = UnstructuredFileLoader("mi_archivo.pdf") data = loader.load()
¿Qué devuelve UnstructuredFileLoader?
La variable data es una lista, pero con una particularidad: aunque tu PDF tenga 18 páginas, todo el contenido queda comprimido en un solo document [02:30]. Si revisas su metadata, encontrarás solo la llave source con el path del archivo.
El page_content arranca con el texto completo del PDF, sin separación por páginas. Esto sirve cuando quieres procesar el documento como un bloque, pero limita lo que puedes hacer con metadatos más ricos como autor o número de página.
¿Cómo dividir un PDF página por página con PyPDFLoader?
Cuando necesitas que cada página viva en su propio document, usas PyPDFLoader [03:30]. Este loader te da granularidad y agrega metadatos útiles como el número de página.
Antes de correr el código instalas pypdf, ya que LangChain lo usa por debajo. Después la lógica es prácticamente idéntica a la del loader anterior.
python from langchain.document_loaders import PyPDFLoader
loader = PyPDFLoader("mi_archivo.pdf") data = loader.load()
¿Qué cambia en el resultado?
Ahora data es una lista con 18 elementos, uno por cada página del PDF [04:15]. Cada document tiene su propio page_content, por ejemplo unos 2200 caracteres en la página 17, y una metadata enriquecida.
La metadata incluye dos llaves: source, con el path del archivo, y page, con el número de página. Es como un libro: sabes en qué página estás y de qué trata ese fragmento.
¿Cuándo uso UnstructuredFileLoader y cuándo PyPDFLoader? Usa
UnstructuredFileLoadersi quieres todo el texto en un solo bloque y trabajas con formatos variados (Word, txt, HTML). UsaPyPDFLoadercuando necesitas dividir un PDF por páginas y conservar el número de página en la metadata.
¿Por qué importa la metadata al indexar documentos?
La metadata es lo que te permite rastrear de dónde viene cada fragmento cuando tu modelo responde una pregunta. Sin ella, pierdes la trazabilidad y la capacidad de citar fuentes.
Con PyPDFLoader ya obtienes source y page automáticamente. Si necesitas más campos, como autor, fecha o categoría, tendrás que escribir tu propia clase loader que defina cómo se arman page_content y metadata según tus reglas.
source: el archivo o URL de origen.page: número de página, útil en PDFs.Como reto práctico, sube un documento Word y pártelo en varios documents, uno por cada página. La documentación de LangChain en los recursos de la clase te muestra el loader específico para .docx. ¿Qué loader usaste y qué metadata extra te gustaría agregar? Cuéntalo en los comentarios.
Cargar datos en LangChain es el primer paso para indexar información y prepararla para tareas de recuperación o generación aumentada. Con los document loaders puedes transformar archivos como PDFs, CSVs, Excels o HTML en objetos document con su page_content y metadata, listos para usarse en pipelines de IA.
Un document loader convierte fuentes externas en objetos estructurados que LangChain entiende. Cada document contiene dos atributos clave: el page_content, que es el texto, y la metadata, que describe el origen y otros datos útiles.
LangChain trae integraciones listas para múltiples formatos, así que rara vez necesitas escribir un loader desde cero. Aun así, puedes crear el tuyo cuando necesitas controlar cómo se arma la metadata.
.txt.¿Qué es un document en LangChain? Es un objeto con dos partes:
page_content(el texto) ymetadata(información sobre la fuente, página, autor, etc.). Es el formato estándar que usan los pipelines de indexación.
Los PDFs entran en la categoría de datos no estructurados, igual que un Word o un .txt. Para tratarlos así, LangChain ofrece UnstructuredFileLoader dentro de document_loaders [01:00].
Primero instalas la librería unstructured, de la que depende LangChain. Después importas el loader, le pasas el path del PDF y llamas a load() para obtener tus datos.
python from langchain.document_loaders import UnstructuredFileLoader
loader = UnstructuredFileLoader("mi_archivo.pdf") data = loader.load()
La variable data es una lista, pero con una particularidad: aunque tu PDF tenga 18 páginas, todo el contenido queda comprimido en un solo document [02:30]. Si revisas su metadata, encontrarás solo la llave source con el path del archivo.
El page_content arranca con el texto completo del PDF, sin separación por páginas. Esto sirve cuando quieres procesar el documento como un bloque, pero limita lo que puedes hacer con metadatos más ricos como autor o número de página.
Cuando necesitas que cada página viva en su propio document, usas PyPDFLoader [03:30]. Este loader te da granularidad y agrega metadatos útiles como el número de página.
Antes de correr el código instalas pypdf, ya que LangChain lo usa por debajo. Después la lógica es prácticamente idéntica a la del loader anterior.
python from langchain.document_loaders import PyPDFLoader
loader = PyPDFLoader("mi_archivo.pdf") data = loader.load()
Ahora data es una lista con 18 elementos, uno por cada página del PDF [04:15]. Cada document tiene su propio page_content, por ejemplo unos 2200 caracteres en la página 17, y una metadata enriquecida.
La metadata incluye dos llaves: source, con el path del archivo, y page, con el número de página. Es como un libro: sabes en qué página estás y de qué trata ese fragmento.
¿Cuándo uso UnstructuredFileLoader y cuándo PyPDFLoader? Usa
UnstructuredFileLoadersi quieres todo el texto en un solo bloque y trabajas con formatos variados (Word, txt, HTML). UsaPyPDFLoadercuando necesitas dividir un PDF por páginas y conservar el número de página en la metadata.
La metadata es lo que te permite rastrear de dónde viene cada fragmento cuando tu modelo responde una pregunta. Sin ella, pierdes la trazabilidad y la capacidad de citar fuentes.
Con PyPDFLoader ya obtienes source y page automáticamente. Si necesitas más campos, como autor, fecha o categoría, tendrás que escribir tu propia clase loader que defina cómo se arman page_content y metadata según tus reglas.
source: el archivo o URL de origen.page: número de página, útil en PDFs.Como reto práctico, sube un documento Word y pártelo en varios documents, uno por cada página. La documentación de LangChain en los recursos de la clase te muestra el loader específico para .docx. ¿Qué loader usaste y qué metadata extra te gustaría agregar? Cuéntalo en los comentarios.
Actualización a Jan 2024:
Estas son las librerías que deben importar para que esta clase pueda funcionar:
%%capture
!pip install "unstructured[pdf]"
!pip install -U langchain-community
Y este es el enlace para ver como hacer el ejercicio de word:
en mi caso tuve un problema con el uso de unstructured, por lo que tuve que instalarlo usando:
%%capture
!pip install "unstructured[pdf]"
```no tuve que cambiar nada más
además, en mi caso uso jupyter noteboks en local, para evitar problemas de cache reinicie mi entorno de jupypter y con eso me basto

Debido a las actualizaciones el link se cayó, el nuevo es
Y al momento de cumplir con el reto tuve "modulo docx no encontrado" problema que se solucionó !pip install python-docx
Aquí está mi código:
from langchain_community.document_loaders import UnstructuredWordDocumentLoader
loader = UnstructuredWordDocumentLoader("./word.docx")
data = loader.load()
len(data)
Yo tengo Python 3.12 (por un proyecto en el que estoy trabajando) y me dio errores al ejecutar el proyecto usando el UnstructuredFileLoader y probé lo que indica Sebastian de la versión indicada y me genera otro error al instalar esa libreria.
Por lo que utilice el PyPDFLoader para este ejemplo del PDF y me funcionó sin problema
Bueno pregunta esto lo veo genial para pruebas, pero a largo plazo no seria mejor una base de datos que soporte busquedas vectoriale?
Alguien sabe si existe algun cobro por el procesamiento de los archivos pdf cargados, es decir, si quiero tener un chatbot de asistencia de preguntas y respuestas entiendo que openAI me cobrara por la cantidad de tokens que se generen en la entrada y la salida, pero tengo la duda si el procesamiento de los archivos pdf que le suminstre tambien los cobrara.?
Reporto que el link de los recursos sobre Microsoft Word no funciona:
Dice que no lo encuentra.
Me imagino que son rezagos del cambio de plataforma. Lo pueden corregir porfa?
Pudo alguien lograr el reto de cargar el cargar word y dividirlo en páginas?.
Usé el siguiente código:
# !pip install docx2txt python-docx
from langchain.document_loaders import UnstructuredWordDocumentLoader
loader_word = UnstructuredWordDocumentLoader("./fake.docx", mode="elements")
data_word = loader_word.load()
El archivo tiene 276 páginas y cada página tiene multiples enlaces, al validar la cantidad de documentos generados, este tenia 4889 en lugar de 279. ¿Saben que parametros puedo pasar para que sea divido por pàginas?.
Reto Cumplido


John J. Meza
Duilio Sotelo
Iván Ozono
Ivan Daniel Manrique
Willian Diaz Pabón
Daniel Ortiz
David Valecillo
Federico Arias
Willian Diaz Pabón
Jorge Raba
Alvaro Castillo
Michell Osorio Rodriguez
Pablo Domínguez
jonathan marin
Christian Omar Silva Torres
Actualización a Jan 2024:
Estas son las librerías que deben importar para que esta clase pueda funcionar:
%%capture !pip install "unstructured[pdf]" !pip install -U langchain-community
Y este es el enlace para ver como hacer el ejercicio de word:
en mi caso tuve un problema con el uso de unstructured, por lo que tuve que instalarlo usando:
%%capture !pip install "unstructured[pdf]" ```no tuve que cambiar nada más además, en mi caso uso jupyter noteboks en local, para evitar problemas de cache reinicie mi entorno de jupypter y con eso me basto
Debido a las actualizaciones el link se cayó, el nuevo es
Y al momento de cumplir con el reto tuve "modulo docx no encontrado" problema que se solucionó !pip install python-docx
Aquí está mi código:
from langchain_community.document_loaders import UnstructuredWordDocumentLoader
loader = UnstructuredWordDocumentLoader("./word.docx")
data = loader.load()
len(data)
Yo tengo Python 3.12 (por un proyecto en el que estoy trabajando) y me dio errores al ejecutar el proyecto usando el UnstructuredFileLoader y probé lo que indica Sebastian de la versión indicada y me genera otro error al instalar esa libreria.
Por lo que utilice el PyPDFLoader para este ejemplo del PDF y me funcionó sin problema
Bueno pregunta esto lo veo genial para pruebas, pero a largo plazo no seria mejor una base de datos que soporte busquedas vectoriale?
Alguien sabe si existe algun cobro por el procesamiento de los archivos pdf cargados, es decir, si quiero tener un chatbot de asistencia de preguntas y respuestas entiendo que openAI me cobrara por la cantidad de tokens que se generen en la entrada y la salida, pero tengo la duda si el procesamiento de los archivos pdf que le suminstre tambien los cobrara.?
David, en ese caso creo que te conviene hacer fine tunning de tu documentacion, para acceder a una version de GPT especialista en tu negocio, y te saldria mas barato, porque no le pasas el documento como contexto cada vez. En plazti hay cursos de fine tunning de GPT
Reporto que el link de los recursos sobre Microsoft Word no funciona:
Dice que no lo encuentra.
Me imagino que son rezagos del cambio de plataforma. Lo pueden corregir porfa?
Pudo alguien lograr el reto de cargar el cargar word y dividirlo en páginas?.
Usé el siguiente código:
# !pip install docx2txt python-docx from langchain.document_loaders import UnstructuredWordDocumentLoader loader_word = UnstructuredWordDocumentLoader("./fake.docx", mode="elements") data_word = loader_word.load()
El archivo tiene 276 páginas y cada página tiene multiples enlaces, al validar la cantidad de documentos generados, este tenia 4889 en lugar de 279. ¿Saben que parametros puedo pasar para que sea divido por pàginas?.
Reto Cumplido
¡Reto completado!
Como le puedo pasar el codigo de mi proyecto a langchain para que me de sugerencias???? plss help :(((
no me deja ingresar a los recursos del curso, algun problema con la pagina?
Es un problema con la nueva versión de Platzi, se soluciona volviendo a la versión anterior, esto lo puedes hacer con la flecha que aparece en la parte inferior izquierda