OpenRouter 10 月 29 日发布官方教程，给出用 LLM 从 PDF 抽取表格的完整可运行代码（Python 与 TypeScript 双版本），思路是把 PDF 当作文件内容块直接喂给能读文件的模型，同时给一份只描述「一行」的严格 JSON Schema，让模型返回带类型的行数组。

三个可复用的技术点

一、字段描述承担数据清洗。千分位、括号负数、脚注标记、纵向合并单元格，全部写在字段的 description 里，例如「括号中的数值为负数」「合并单元格在它覆盖的每一行重复填写」。模型按描述输出，事后不必再写正则。

二、两道静默失败防线。一是检查 finish_reason == "length"，长表被 token 上限截断时只返回部分行而不报错；二是检查空结果，扫描件走免费文本解析器会返回空数组但 HTTP 200。教程明确指出，幻觉不是主要风险，漏行才是。

三、引擎路由。模型本身能读文件就不设 engine；不能读文件且是扫描件走 mistral-ocr（额外 2 美元/千页）；数字版 PDF 可用免费的 cloudflare-ai，但扫描件会返回空。

成本方面，教程实测 GPT-6 Luna 全对且约 0.77 美元/千页，Claude Haiku 5.5 约 1.00 美元/千页；Gemini 3.8 Flash 也全对但贵 8 至 10 倍。输出 token 建议按每行 150 估算。对需要批量处理供应商对账单、检测报告、报关单的财务岗，这套 Schema 加两道校验的骨架可以直接照搬，比 pdfplumber 更适合合并表头与跨页长表。