用大模型从 PDF 抽表格,OpenRouter 方案拆解与成本估算
这篇文章讲了什么
OpenRouter 在 2026 年 10 月 29 日发布了一篇 Python 教程,主题是用大模型从 PDF 中抽取表格。教程关注的难点包括合并单元格、括号表示的负数(例如 “(1,204)” 应写成 -1204)、脚注标记、跨页表格和扫描件。原文强调,最危险的情况是输出不完整却没有任何报错。
方法分两步。第一步,把 PDF 作为文件内容发给能读取文件的模型,同时用严格的 JSON Schema 定义每一行的字段。字段说明里直接写明清洗规则,模型按说明输出干净的数据。第二步,检查结果并写出 CSV,表头直接使用 Schema 的字段名。检查包括两项,finish_reason 为 length 时拒绝结果,行列表为空时同样拒绝。

模型不能读取 PDF 时,原文改用解析器。扫描件使用 mistral-ocr,每 1000 页另加 2 美元。有文本层的数字 PDF 可以使用免费的 cloudflare-ai 解析器。
测试集包括 5 份生成的 PDF,共 6 页、644 个单元格,其中 2 份是扫描件。原文称,直接读取 PDF 的 Claude Haiku 5.5、GPT-6 Luna 和 Gemini 3.8 Flash 全部答对了 644 个单元格。Gemini 3.8 Flash 每页成本是另外两者的八到十倍。原文还用 pdfplumber 做了对照。它找出了三份数字 PDF 中的全部表格,但单元格都是字符串,双层表头会拆出含 None 的行,58 行的跨页出货日志被拆成两张表,扫描件上则一张表也没有找到。
我读完后的判断
第一,原文最有价值的部分是它记录的失败。免费解析器处理扫描件时返回 0 行,HTTP 状态码为 200,finish_reason 却是 stop,表面一切正常。输出上限设为 600 时,58 行的日志被截断。启用 Response Healing 后 JSON 能够解析,却只剩 5 行,也没有抛出异常。接口调用成功不等于抽取成功,这是我读完后最想记下的一点。

第二,原文的两道检查成本很低,我会保留。finish_reason 校验能拦住截断,空行校验能拦住扫描件的假成功。二者都不依赖模型自己的判断。
第三,成本数字要分开看。单次运行只有几分之一美分。原文给出的每千页约 0.77 美元(GPT-6 Luna)和 1.00 美元(Claude Haiku 5.5),是用 6 页样本外推的。文档越密、表格越长,输出 token 越多,实际成本会更高。原文还说明,58 行日志每行需要 43 到 133 个输出 token,所以我会按行数估算 max_tokens,而不是固定设一个值。
第四,pdfplumber 与大模型路线应当分工。它适合定位数字 PDF 中的表格,但单元格类型、负数括号和脚注仍需后处理。原文没有测试 Camelot 和 Tabula,本文也不把它们的表现写进结论。
直接读 PDF 还是先解析
原文给出的路线取决于两个条件,PDF 是否有文本层,以及模型是否接受文件输入。数字 PDF 配合能读取文件的模型,少了一道解析环节,也就少了一个出错位置。扫描件或模型不能读文件时,才需要加解析器,并且要额外检查 OCR 的结果。原文的 OCR 路线保留了 Schema 要求去掉的脚注标记,还漏掉了两个分部名称。

另外,原文提到把 engine 设为 native 后,一次成功,随后连续两次失败,报的是服务商错误。这说明文件输入路线仍不够稳定。上线前应当用自己的 PDF 连续运行多次,记录成功率,而不是只跑一次。
接入层与选型
如果同一批 PDF 需要比较 Claude Haiku 5.5、GPT-6 Luna 和 Gemini 3.8 Flash,我会把模型切换放在统一的接入层里完成。接口AI(jiekou.ai) 提供多模型统一接入,国内直连。截至 2026 年 11 月 13 日,接口AI 的 Claude Haiku 5.5 详情页 显示输入每百万 token 0.1 美元、输出 0.5 美元;GPT-6 Luna 详情页 同样为输入 0.1 美元、输出 0.5 美元;Gemini 3.8 Flash 详情页 为输入 0.75 美元、输出 3.75 美元。以上价格以页面实时信息为准。选型前,先在对应的详情页核对该模型接受的输入类型,再决定是否走直接读 PDF 的路线。
成本与限制
- 测试只有 6 页,而且文档是生成的。真实财务报表和物流单据的版式可能与之不同。
- 严格 Schema 的约束依赖服务商的实现,不同平台的行为可能不一致。
- 原文没有测量批量接口的价格。
- 原文报告的 25 次抽取中没有出现编造的行,但作者不排除其他文档出现这种情况。这一结论不能当作保证。
写在最后
你在抽取 PDF 表格时,遇到过哪一种静默失败?是扫描件返回空结果、长表被截断,还是合并单元格被拆错?欢迎说说你的文档类型和处理方法。
参考资料
- OpenRouter,How to Extract Tables from a PDF with an LLM (Python),openrouter.ai/blog/tutorials/extract-tables-from-pdf-llm/,2026-10-29(访问日期 2026-11-13)
- 接口AI,Claude Haiku 5.5 模型详情,jiekou.ai/models/model-detail/claude-haiku-5-5(访问日期 2026-11-13)
- 接口AI,GPT-6 Luna 模型详情,jiekou.ai/models/model-detail/gpt-6-luna(访问日期 2026-11-13)
- 接口AI,Gemini 3.8 Flash 模型详情,jiekou.ai/models/model-detail/gemini-3.8-flash(访问日期 2026-11-13)