AI AI工具情报站
AI资讯tip

用 LLM 从 PDF 中抽取表格

OpenRouter:Announcements(RSS)2026-10-29T00:00:00.000Z

OpenRouter 发布一篇实操教程,演示如何调用支持文件读取的大模型,配合严格的 JSON Schema,从 PDF 文档中提取结构化表格。说白了,就是把过去要写一堆解析脚本才能搞定的活,交给多模态大模型一步完成。

核心亮点

方法把一个 PDF 作为 file 内容块,直接发给能读文件的模型(教程里点了 Claude Haiku 5.5、GPT-6 Luna、Gemini 3.8 Flash),同时附带一段描述"表格单行"的严格 JSON Schema。模型返回的是带类型的行数据:数量是整数,括号亏损 (3,878) 自动变成 -3878,跨页表格被合并成单一列表。

具体能力或事件经过

字段的描述本身就承担了数据清洗的职责。在 schema 的 field description 里写清规则,就能去除千位分隔符、把括号转成负数、移除脚注标记,并让合并单元格在每一行重复填充。对发票、季度报告、出货日志这类含跨页、合并单元格、复杂数字格式的文档,用 schema 描述比手写清理代码更易维护。

技术细节

文章特别强调两条防静默失败的检查:第一,拒绝空结果——扫描件经某些免费文本解析器可能返回 0 行且不报错,必须拦截;第二,拒绝 finish_reason 为 "length" 的响应,防止长表格被输出 token 上限截断。对扫描件,可叠加 mistral-ocr 引擎做光学识别(约 $2/1000 页);纯数字版 PDF 用免费的 cloudflare-ai 解析器即可。

与竞品对比

传统 pdfplumber 这类免费库只适合简单数字 PDF。教程在 5 个 PDF、644 个单元格的测试里发现,GPT-6 Luna 与 Claude Haiku 5.5 是性价比最高且全对的路由;免费 cloudflare-ai 对数字 PDF 全对,但对扫描件全错。

行业影响或适用场景

这套方案适合财务、法务、供应链等需要把大量 PDF 转成干净结构化数据的团队。开发者也能用 Batch API 异步跑历史 backlog,成本减半。对中小团队来说,用大模型替代脆弱的解析脚本,是把文档智能真正落地的低门槛第一步。