使用python-docx库，将100份doc文件中文字，表格全都提取出来，把文字，表格存储到CSV文件

使用Python的`python-docx`库来批量提取Word文档中的文本和表格，并保存到CSV文件中，你需要分几个步骤来完成。这里是一个大致的流程：

1. **安装所需库**:
首先确保你已经安装了`python-docx`库，如果没有，可以通过pip安装：

   pip install python-docx pandas openpyxl

还需要用到pandas库处理表格数据，openpyxl用于读取Excel文件（因为表格可能会导出为Excel格式）。

2. **读取和解析文件**:
创建一个函数来打开每个.doc文件，检查其内容，如果包含文本和表格，就提取它们。对于文本，可以直接读取；对于表格，可以尝试转存成Excel，然后读取Excel的内容。

import os
from docx import Document
import pandas as pd

def extract_content(doc_path):
    doc = Document(doc_path)
    
    text = ''
    tables_data = []

    for paragraph in doc.paragraphs:
        text += paragraph.text + '\n'

    # 尝试将表格保存到临时Excel文件
    try:
        for table in doc.tables:
            df_table = pd.DataFrame.from_records([dict(zip(table.columns, row)) for row in table.rows])
            df_table.to_excel('temp.xlsx', index=False, sheet_name=table.name)
            with pd.ExcelFile('temp.xlsx') as temp_excel:
                data = temp_excel.parse(sheet_name=table.name)
                tables_data.append(data)
    except Exception as e:
        print(f"Failed to process table due to error: {e}")

    return text, tables_data

3. **批处理文件**:
定义一个目录路径，遍历所有文件并将结果写入CSV。为了组织文件，可以创建一个单独的CSV文件来存放文本，另一个文件存放表格数据。

input_dir = 'path/to/input/docs'
output_text_path = 'output_text.csv'
output_tables_path = 'output_tables.csv'

texts = []
tables = []

# 遍历输入目录中的所有.doc文件
for filename in os.listdir(input_dir):
    if filename.endswith(".doc"):
        doc_path = os.path.join(input_dir, filename)
        text, table_data = extract_content(doc_path)

        texts.append(text)
        tables.append(table_data)

# 写入CSV文件
with open(output_text_path, 'w', newline='') as f_text, open(output_tables_path, 'w', newline='') as f_tables:
    writer_text = csv.writer(f_text)
    writer_tables = pd.ExcelWriter(output_tables_path, engine='openpyxl')

    writer_text.writerow(['Text'])
    for i, text in enumerate(texts):
        writer_text.writerow([text])

    for i, table_data in enumerate(tables):
        if isinstance(table_data, list):
            for sheet_name, data in table_data.items():
                excel_writer = pd.ExcelWriter(f'temp_{i}.xlsx', engine='openpyxl')
                data.to_excel(excel_writer, sheet_name=sheet_name)
                excel_writer.save()
                writer_tables.book = load_workbook(f'temp_{i}.xlsx')
                writer_tables.sheets[sheet_name].write_rows(f'Table{i+1}', data.index, data.values)
                writer_tables.save()

os.remove('temp*.xlsx')  # 删除临时Excel文件

注意，这个示例假设表格都可以成功转化为Excel格式。如果表格有特殊结构或格式，可能需要调整转换方法。同时，由于处理大量文件可能消耗时间，你可能还需要添加一些进度跟踪或并发处理功能。