OpenRouter 教程：用 LLM 从 PDF 中抽取表格

OpenRouter 发布一份实操教程，说明如何用一次请求从 PDF 中抽取表格：把 PDF 以 base64 文件内容部分发送给能读取文件的模型，同时提供描述单行结构的严格 JSON schema，模型返回带类型的行数组。数量以整数返回，写成 (3,878) 的亏损返回为 -3878，跨页表格合并为一个列表。 测试集为五份 PDF，包括发票、季度报告、跨到第二页的 58 行发货日志、扫描采购订单和一份带合并单元格的粗糙扫描件，共六页 644 个单元格。每个直接读取 PDF 的模型都答对了全部单元格，失败来自 PDF 到达模型所经过的路径。 清理逻辑主要写进 schema 字段描述：括号表示负数、去掉千分位分隔符、去掉脚注标记、合并单元格在覆盖的每一行上重复。教程强调保留两项检查，一是空行结果要报错，因为免费 cloudflare-ai 解析器处理扫描件会返回零行且无报错；二是拒绝 finish_reason 为 length 的响应，长表格可能在输出 token 上限处被截断，开启 Response Healing 后还会静默只返回部分行。 路线选择上，能读文件的模型不设 engine，PDF 按输入 token 计费；不能读文件的模型用 mistral-ocr，每 1,000 页额外收 2 美元；cloudflare-ai 免费但只适用于有文本层的 PDF。按 2026 年 10 月价格，GPT-6 Luna 和 Claude Haiku 5.5 在测试集上每单元格全对且最便宜，标价均为每百万输入 token 0.10 美元，折算约每 1,000 页 0.77 美元和 1.00 美元；Gemini 3.8 Flash 同样准确但每页成本高八到十倍。 教程还对比了 pdfplumber：数字版 PDF 且表头简单时免费库足够，但多级表头、分页和数字格式清理需要自己写代码。文末给出 TypeScript 版本、CSV 写出示例，以及 Batch API 半价和 LangChain 集成的后续路径。