大模型 API 不支持直接输入 PDF？3 种预处理方案帮你解决

作者注：解答开发者最常问的问题：大模型 API 能否直接传 PDF？答案是绝大多数不支持。本文详解文字化提取、图片理解、客户端处理 3 种实用方案

"大模型 API 能不能直接把 PDF 文件传进去？"——这是我们客服群里被问得最多的问题之一。很多开发者在网页版 ChatGPT 或 Claude 里用惯了"拖入 PDF 直接对话"的功能，就以为 API 也能这样操作。

实际情况是：绝大多数大模型 API 不支持直接输入 PDF 文件。即使是 OpenAI、Anthropic 这样的头部厂商，API 接口的核心输入格式仍然是文本和图片——PDF 并不在标准支持范围内。更重要的是，API易等第三方 API 中转平台同样不支持 PDF 直传，因为底层协议就不支持。

但别担心，PDF 处理其实有 3 种成熟的解决方案。本文将带你搞清楚来龙去脉，选出最适合你的方式。

核心价值: 读完本文，你将理解大模型 API 为什么不支持 PDF，以及如何用 3 种预处理方案高效解决 PDF 输入需求。

大模型 API PDF 输入核心要点

大模型 API 为什么不支持 PDF 输入

很多开发者会困惑：网页版明明可以上传 PDF，为什么 API 不行？原因很简单——网页版的"上传 PDF"功能并不是模型本身在处理 PDF，而是前端/后端在你看不到的地方做了预处理：

1. 文本提取: 前端把 PDF 里的文字提取出来，转成纯文本再传给模型
2. 页面渲染: 把 PDF 每页渲染成图片，通过 Vision 能力让模型理解
3. RAG 检索: 将 PDF 内容向量化存储，对话时只检索相关片段发送给模型

这些预处理步骤在网页版产品中被封装了，用户无感知。但当你直接调用 API 时，这些预处理需要你自己完成。

大模型 API PDF 支持情况速查

🎯 重要说明: 虽然 Claude 和 Gemini 的官方 API 文档中提到了 PDF 输入功能，但该功能存在兼容性和稳定性的不确定性，且通过 API易等第三方中转平台调用时不支持 PDF 直传。我们建议统一走预处理方案，兼容性最好、最稳定。

大模型 API PDF 处理方案一：前置文字化提取

这是最通用、成本最低、兼容所有模型的方案。核心思路：先用 Python 库把 PDF 转成 Markdown 或纯文本，再将文本作为 prompt 传给 API。

PDF 文字化提取工具对比

PDF 文字化提取代码示例

以下是最常用的方案，提取 PDF 文本后传给大模型 API：

import pymupdf4llm
import openai

# 步骤1: PDF 转 Markdown
md_text = pymupdf4llm.to_markdown("report.pdf")

# 步骤2: 纯文本传给任意大模型
client = openai.OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1"
)

response = client.chat.completions.create(
    model="gpt-4o",
    messages=[{"role": "user", "content": f"请总结这份报告的核心要点：\n\n{md_text}"}]
)
print(response.choices[0].message.content)

适用场景: 合同、论文、报告、技术文档等以文字为主的 PDF。只要 PDF 内嵌了文本层（非扫描件），提取效果都很好。

建议: 文字化提取方案兼容所有大模型——GPT、Claude、DeepSeek、Llama、Qwen 都可以。通过 API易 apiyi.com 获取 API Key，一个 Key 可以调用所有模型进行对比测试。

大模型 API PDF 处理方案二：转图片 + 视觉理解

当 PDF 中包含图表、扫描件、复杂排版等视觉信息时，纯文本提取会丢失这些内容。这时需要将 PDF 每页渲染成图片，通过支持 Vision 的模型进行图片理解。

PDF 转图片代码示例

import fitz  # PyMuPDF
import base64
import openai

# 步骤1: PDF 逐页转为 PNG 图片
doc = fitz.open("report.pdf")
images = []
for page in doc:
    pix = page.get_pixmap(dpi=200)
    b64 = base64.b64encode(pix.tobytes("png")).decode()
    images.append(b64)

import fitz
import base64
import openai

def pdf_to_vision(pdf_path, question, max_pages=10):
    """将 PDF 转图片后传入 Vision API"""
    doc = fitz.open(pdf_path)

    # 构建多图消息（注意控制页数避免 Token 超量）
    content = [{"type": "text", "text": question}]
    for i, page in enumerate(doc):
        if i >= max_pages:
            break
        pix = page.get_pixmap(dpi=150)
        b64 = base64.b64encode(pix.tobytes("png")).decode()
        content.append({
            "type": "image_url",
            "image_url": {"url": f"data:image/png;base64,{b64}"}
        })

    client = openai.OpenAI(
        api_key="YOUR_API_KEY",
        base_url="https://api.apiyi.com/v1"
    )

    response = client.chat.completions.create(
        model="gpt-4o",
        messages=[{"role": "user", "content": content}]
    )
    return response.choices[0].message.content

# 使用示例
result = pdf_to_vision(
    "financial_report.pdf",
    "请分析这份财报中的趋势图表，总结核心数据",
    max_pages=5  # 控制页数，每页约消耗 765 tokens
)
print(result)

适用场景: 带图表的研报、扫描件、发票、建筑图纸等视觉信息丰富的 PDF。

成本提醒: 每页图片约消耗 765 tokens（GPT-4o 标准分辨率），10 页 PDF 就是约 7,650 tokens 的图片成本，加上文字提问和回答可能超过 10,000 tokens。务必控制页数。

🎯 成本控制建议: 不要一次传入整份 PDF 的所有页面。先用方案一提取文本做粗筛，确定关键页面后再用方案二对特定页面做图片理解。通过 API易 apiyi.com 的用量面板可以实时监控 Token 消耗。

大模型 API PDF 处理方案三：AI 客户端处理

如果你不想写代码，只是日常对话中需要"问 PDF 里的内容"，使用 AI 客户端是最省事的方式。

Cherry Studio 等客户端的 PDF 处理原理

这类客户端实际上就是帮你自动完成了方案一和方案二的工作：

1. 自动向量化: 将 PDF 内容提取后切分成小块，存入本地向量数据库
2. 语义检索: 你提问时，客户端先检索最相关的内容片段
3. 精准发送: 只把相关片段（而非全文）发送给大模型 API
4. 节省 Token: 通过 RAG 检索大幅减少发送给模型的内容量

客户端处理 PDF 的注意事项

• 配置 API Key: 在客户端中填入 API易 apiyi.com 的 API Key，即可通过一个 Key 访问所有模型
• 控制文件大小: 超大 PDF（几百页）向量化时间较长，建议拆分后处理
• 注意 Token 费用: 虽然 RAG 会压缩内容，但长文档仍可能产生较高费用
• 选择合适模型: 简单问答可用便宜模型（如 GPT-4o-mini），复杂分析用旗舰模型

大模型 API PDF 处理 3 种方案对比

对比说明: 三种方案不是互斥的，实际项目中往往组合使用。例如先用方案一提取文本做粗筛，再对关键页面用方案二做图片理解。通过 API易 apiyi.com 可以统一接入所有模型。

常见问题

总结

大模型 API PDF 输入的核心要点：

1. 绝大多数 API 不支持直接 PDF 输入: 大模型的核心输入是文本和图片，PDF 需要预处理后才能使用
2. 第三方平台同样不支持: API易等中转平台透传原始协议，无法额外处理 PDF
3. 3 种方案按需选择: 纯文本 PDF 用文字化提取（最省钱），带图 PDF 转图片理解（最保真），日常对话用客户端（最省事）

不必纠结于"哪个 API 支持 PDF"，而是把精力放在选对预处理方案上——这才是正确的思路。

推荐通过 API易 apiyi.com 获取免费额度，预处理 PDF 后用一个 API Key 调用 GPT、Claude、DeepSeek 等所有主流模型进行测试对比。

📚 参考资料

1. PyMuPDF4LLM 文档: PDF 文字化提取工具

   • 链接: pymupdf.readthedocs.io/en/latest/pymupdf4llm
   • 说明: 速度最快的 PDF 转 Markdown 工具，推荐首选

2. pdfplumber 文档: 表格提取专用工具

   • 链接: github.com/jsvine/pdfplumber
   • 说明: PDF 中表格数据提取精度最高的工具

3. Cherry Studio: 开源 AI 客户端

   • 链接: github.com/CherryHQ/cherry-studio
   • 说明: 支持 PDF 拖入对话的免费客户端，可配置 API易作为后端

4. API易平台文档: 统一接入各大模型 API

   • 链接: docs.apiyi.com
   • 说明: API Key 获取、模型列表和调用示例

作者: APIYI 技术团队
技术交流: 欢迎在评论区讨论，更多资料可访问 API易 docs.apiyi.com 文档中心