---
title: "Ekstrak data invois ke JSON dengan LLM visi | BroadRouter"
description: "Saluran paip produksi untuk invois, resit dan borang: penyediaan imej, prompt skema JSON, pengesahan Pydantic, semakan aritmetik, cubaan semula dan semakan manusia."
url: https://broadrouter.com/ms/blog/extract-data-from-documents-with-vision-llm/
lang: ms
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Diterjemahkan daripada bahasa Inggeris dengan bantuan AI. [Baca versi asal dalam bahasa Inggeris](https://broadrouter.com/blog/extract-data-from-documents-with-vision-llm/) (dikemas kini 2026-11-14).

# Ekstrak data invois, resit dan borang ke JSON dengan LLM visi

Oleh pasukan BroadNet Inference · 4 minit bacaan · Diterbitkan 2026-11-14

Jadikan setiap halaman sebagai imej, hantar ke model visi dengan prompt yang menamakan setiap medan dan formatnya, dan minta JSON sahaja. Kemudian sahkan dalam kod: huraikan, semak skemanya, pastikan jumlah item baris sama dengan jumlah keseluruhan, dan cuba semula sekali dengan ralatnya. Hantar kegagalan berulang kepada manusia.

## Perkara utama

-   Model membaca; kod anda membuat keputusan. Jangan sekali-kali menulis data yang diekstrak ke lejar tanpa semakan skema dan aritmetik.
-   Namakan setiap medan, jenisnya dan formatnya dalam prompt, dan nyatakan apa yang perlu dipulangkan apabila medan tiada (null, bukan tekaan).
-   Semakan aritmetik menangkap kebanyakan salah baca: jumlah baris mesti sama dengan subjumlah, dan subjumlah ditambah cukai mesti sama dengan jumlah keseluruhan.
-   Cuba semula sekali dengan ralat pengesahan dalam prompt; hantar kegagalan berulang ke baris gilir semakan manusia.
-   Pada bayar ikut guna, imej dibil sebagai token input dan imej lebih besar menggunakan lebih banyak, jadi ubah saiznya sebelum menghantar.

**Dalam halaman ini**

1.  Bagaimanakah rupa saluran paipnya?
2.  Bagaimanakah menyediakan imej dokumen?
3.  Bagaimanakah menulis prompt pengekstrakan?
4.  Bagaimanakah mendapatkan output berstruktur dan mengesahkannya?
5.  Semakan manakah yang menangkap paling banyak ralat?
6.  Bagaimanakah mengukur ketepatan sebelum dilancarkan?
7.  Model visi manakah yang sesuai di BroadNet Inference?
8.  Di mana BroadNet Inference sesuai

_[image: A paper invoice headed "فاتورة" (invoice) with tabs labelled Vendor, Date and Total, and the text "Turn documents into useful data."]_

Illustrative example.

Invois, resit dan borang semuanya mempunyai masalah yang sama: data berada dalam gambar, dan anda memerlukannya dalam pangkalan data. OCR berasaskan templat rosak pada setiap susun atur vendor baharu. [Model bahasa-visi](https://broadrouter.com/ms/glossary/vision-language-model/) membaca halaman dan memulangkan medan secara terus. Masalahnya, ia boleh salah dengan penuh yakin, jadi kerja sebenar ada pada saluran paip di sekelilingnya. Catatan ini merangkumi saluran paip umum untuk sebarang bahasa. Untuk dokumen bahasa Arab, lihat [membaca invois bahasa Arab dengan visi](https://broadrouter.com/ms/guides/read-arabic-invoices-with-vision/) untuk persediaan dan [OCR bahasa Arab berbanding LLM visi](https://broadrouter.com/ms/blog/arabic-ocr-vision-llm/) untuk bila OCR klasik ialah alat yang lebih baik.

## Bagaimanakah rupa saluran paipnya?

1.  **Sediakan** setiap halaman: jadikan PDF sebagai imej, betulkan putaran, ubah saiz.
2.  **Ekstrak**: satu permintaan setiap dokumen dengan prompt medan demi medan, JSON sahaja.
3.  **Sahkan**: huraikan, semak skema, semak aritmetik.
4.  **Cuba semula** sekali dengan mesej ralat jika pengesahan gagal.
5.  **Semak**: apa-apa yang masih gagal pergi kepada manusia, bersama imej dan draf.
6.  **Ukur** ketepatan medan pada sampel berlabel, dan jalankan semula setiap kali anda menukar model atau prompt.

## Bagaimanakah menyediakan imej dokumen?

Jadikan PDF sebagai imej dengan PyMuPDF dan pastikan teks terkecil jelas tanpa menghantar lebih banyak piksel daripada yang perlu:

```python
# pip install pymupdf pillow
import base64, io
import pymupdf  # older code imports it as fitz
from PIL import Image

def pdf_pages_as_data_urls(path, long_edge=1800):
    urls = []
    for page in pymupdf.open(path):
        pix = page.get_pixmap(dpi=200)
        img = Image.open(io.BytesIO(pix.tobytes("png"))).convert("RGB")
        img.thumbnail((long_edge, long_edge))
        buf = io.BytesIO()
        img.save(buf, format="JPEG", quality=90)
        urls.append("data:image/jpeg;base64," + base64.b64encode(buf.getvalue()).decode())
    return urls
```

Pada BroadNet Inference, imej dimasukkan dalam mesej sebagai URL `data:` dengan jenis MIME yang tepat, dan pada [bayar ikut guna](https://broadrouter.com/ms/glossary/pay-as-you-go/) ia dibil sebagai token input; imej lebih besar menggunakan lebih banyak. Ukur token setiap halaman sekali dengan blok `usage` dan tetapkan saiz kelompok anda daripada itu; [mengira token sebelum menghantar](https://broadrouter.com/ms/blog/count-tokens-before-sending/) menunjukkan caranya, dan [kos LLM visi setiap imej](https://broadrouter.com/ms/blog/cheapest-vision-llm-api/) menukar token kepada kos setiap halaman. Untuk menganggar token setiap halaman sebelum menghantar apa-apa, masukkan imbasan sampel ke dalam [kalkulator token imej](https://broadrouter.com/tools/image-token-calculator/).

## Bagaimanakah menulis prompt pengekstrakan?

Tepatkan kunci, jenis, format dan nilai yang tiada. Jika anda juga mahukan JSON Schema untuk pengesahan atau untuk penyedia yang menguatkuasakannya, [penjana skema JSON](https://broadrouter.com/tools/json-schema-generator/) percuma membinanya daripada invois sampel:

```python
PROMPT = """Extract this invoice. Reply with one JSON object only, no prose.
Keys:
- vendor_name: string, as printed
- vendor_tax_id: string or null
- invoice_number: string
- invoice_date: string, YYYY-MM-DD
- currency: ISO 4217 code, e.g. USD, EUR, SAR
- line_items: list of {description: string, quantity: number, unit_price: number, line_total: number}
- subtotal: number
- tax: number or null
- total: number
Rules: numbers without currency symbols or thousands separators. If a field is not on the page, use null. Never guess."""
```

“Never guess” ditambah `null` yang jelas paling penting. Tanpanya, model mengisi ruang kosong dengan nilai yang munasabah, yang lebih teruk daripada ruang kosong kerana ia lulus semakan yang naif.

## Bagaimanakah mendapatkan output berstruktur dan mengesahkannya?

Terdapat dua tahap [output berstruktur](https://broadrouter.com/ms/glossary/structured-output/). Mod JSON menjamin JSON yang sah. Output yang dikekang skema turut menjamin bentuknya. Panduan OpenAI menyatakannya dengan jelas: kedua-duanya menghasilkan JSON yang sah, tetapi hanya Structured Outputs yang memastikan pematuhan skema. Sokongan untuk kedua-duanya berbeza mengikut penyedia dan model, jadi sahkan dalam kod tidak kira apa yang dijanjikan API:

```python
import json, os
from decimal import Decimal
from pydantic import BaseModel, ValidationError, model_validator
from openai import OpenAI

client = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])

class Line(BaseModel):
    description: str
    quantity: Decimal
    unit_price: Decimal
    line_total: Decimal

class Invoice(BaseModel):
    vendor_name: str
    vendor_tax_id: str | None = None
    invoice_number: str
    invoice_date: str
    currency: str
    line_items: list[Line]
    subtotal: Decimal
    tax: Decimal | None = None
    total: Decimal

    @model_validator(mode="after")
    def sums(self):
        tol = Decimal("0.02")
        if abs(sum(l.line_total for l in self.line_items) - self.subtotal) > tol:
            raise ValueError("line_totals do not sum to subtotal")
        if abs(self.subtotal + (self.tax or 0) - self.total) > tol:
            raise ValueError("subtotal + tax != total")
        return self

def extract(image_urls, model="broadnet/qwen3.8-27b"):
    content = [{"type": "text", "text": PROMPT}] + [
        {"type": "image_url", "image_url": {"url": u}} for u in image_urls]
    messages = [{"role": "user", "content": content}]
    for attempt in range(2):
        r = client.chat.completions.create(model=model, messages=messages, max_tokens=4000, temperature=0)
        raw = (r.choices[0].message.content or "").strip().removeprefix("```json").removesuffix("```")
        try:
            return Invoice.model_validate(json.loads(raw)), r.usage
        except (json.JSONDecodeError, ValidationError, ValueError) as e:
            messages += [{"role": "assistant", "content": raw},
                         {"role": "user", "content": f"That failed validation: {e}. Re-read the image and reply with corrected JSON only."}]
    return None, r.usage  # send to human review
```

Gunakan `Decimal`, bukan `float`, untuk wang. Pastikan `max_tokens` longgar: Qwen3.8 27B menaakul sebelum menjawab, dan penaakulan dikira dalam had; had yang kecil memulangkan rentetan kosong. Lihat [mengapa model penaakulan memulangkan balasan kosong](https://broadrouter.com/ms/guides/reasoning-tokens-empty-response/).

## Semakan manakah yang menangkap paling banyak ralat?

| Semakan | Menangkap | Kos |
| --- | --- | --- |
| JSON boleh dihuraikan | Prosa di sekeliling JSON, pemotongan | Percuma |
| Skema disahkan | Kunci tiada, jenis salah | Percuma |
| Baris menjumlah kepada subjumlah | Digit salah baca, baris tertinggal | Percuma |
| Subjumlah + cukai = jumlah | Jumlah atau cukai salah baca | Percuma |
| Tarikh boleh dihuraikan dan bukan pada masa depan | Hari/bulan tertukar, hingar OCR | Percuma |
| ID cukai vendor sepadan dengan senarai pembekal anda | Vendor salah, penipuan | Satu carian |
| Nombor invois berganda bagi setiap vendor | Bayaran berganda | Satu pertanyaan |

Semakan aritmetik paling berbaloi: satu digit yang salah baca hampir selalu merosakkan jumlah. Resit sering tiada butiran peringkat baris, jadi semak apa yang ada dan terima bilangan semakan yang lebih sedikit untuknya.

## Bagaimanakah mengukur ketepatan sebelum dilancarkan?

Labelkan 50 hingga 100 dokumen sebenar secara manual, jalankan saluran paip, dan beri skor **setiap medan**, bukan setiap dokumen. Jumlah dan tarikh wajar diberi piawaian lebih ketat daripada keterangan. Jejaki tiga angka: ketepatan medan, bahagian dokumen yang lulus pengesahan tanpa cubaan semula, dan bahagian yang dihantar untuk semakan. Cara mereka bentuk langkah semakan itu, termasuk audit rawak dokumen yang lulus, ada dalam [menjadikan semakan manusia sebahagian daripada aliran kerja AI dokumen anda](https://broadrouter.com/ms/blog/document-review-queues/). Apabila anda mencuba model lain, jalankan set yang sama; [menilai LLM sebelum bertukar](https://broadrouter.com/ms/blog/evaluate-llm-before-switching/) merangkumi kaedahnya.

## Model visi manakah yang sesuai di BroadNet Inference?

| Model | Imej | Konteks | Nota |
| --- | --- | --- | --- |
| [Qwen3.8 27B](https://broadrouter.com/ms/models/qwen3.8-27b/) | Ya | 262,144 | Tools, output berstruktur dan penaakulan disenaraikan; diuji dalam bahasa Arab oleh BroadNet |
| [Gemma 4 VL 26B](https://broadrouter.com/ms/models/gemma-4-vl-26b/) | Ya | 32,768 | Harga BroadNet terendah; berjalan pada kredit percuma dan kunci sejam |
| [DeepSeek V4.1 Flash](https://broadrouter.com/ms/models/deepseek-v4.1-flash/) | Ya | 1,048,576 | Imej termasuk dalam pelan tanpa had |

Harga setiap 1M token ada di [halaman harga](https://broadrouter.com/ms/pricing/); darabkan token setiap halaman yang anda ukur dengan jumlah bulanan dalam [kalkulator kos API LLM](https://broadrouter.com/tools/llm-api-cost-calculator/).

## Di mana BroadNet Inference sesuai

BroadNet Inference menerima imej pada tiga model chat melalui format mesej standard OpenAI, dan ia tidak menyimpan prompt, imej atau jawapan selepas permintaan, yang penting untuk invois yang penuh dengan nama, ID cukai dan butiran bank ([pengekalan data sifar](https://broadrouter.com/ms/privacy/)). Dokumentasinya menyenaraikan output berstruktur untuk Qwen3.8 27B tetapi tidak mendokumenkan parameter skema, jadi bergantunglah pada lapisan pengesahan di atas dan bukannya pada API untuk menguatkuasakan skema anda. BroadNet tidak menerbitkan had saiz imej atau produk AI dokumen khusus, dan dokumentasinya menerangkan input imej, bukan muat naik PDF, jadi jadikan halaman sebagai imej dahulu. Untuk larian volum tinggi dengan bajet tetap, [pelan DeepSeek V4.1 Flash tanpa had](https://broadrouter.com/ms/guides/unlimited-llm-api-sessions/) termasuk imej.

Alat percuma untuk topik ini (Bahasa Inggeris)

-   [OpenAI to BroadNet migration helper](https://broadrouter.com/tools/openai-to-broadnet-migration/) Paste OpenAI SDK code; get base URL, key and model edits, a diff and the checks that remain.
-   [max\_tokens calculator for reasoning models](https://broadrouter.com/tools/reasoning-token-budget/) Answer length + reasoning budget + margin = a max\_tokens that does not cut the answer off.
-   [JSON schema generator for LLM structured output](https://broadrouter.com/tools/json-schema-generator/) Sample JSON to strict schema, Pydantic, Zod and a ready request.
-   [LLM JSON output validator](https://broadrouter.com/tools/llm-json-output-validator/) Parse errors by line and column, safe repairs, cut-off detection and JSON Schema checks for model output.

[Alatan percuma (Bahasa Inggeris)](https://broadrouter.com/tools/)

## Istilah dalam artikel ini

[Token](https://broadrouter.com/ms/glossary/token/)

Token ialah unit teks yang dibaca dan ditulis oleh model bahasa: satu perkataan, sebahagian perkataan, tanda baca atau jujukan bait yang dihasilkan oleh tokenizer model itu. API LLM mengira, mengehadkan dan biasanya mengebil penggunaan dalam token.

[Output berstruktur (structured output)](https://broadrouter.com/ms/glossary/structured-output/)

Output berstruktur ialah ciri API LLM yang mengehadkan balasan model kepada format yang ditetapkan oleh pembangun, biasanya JSON Schema, supaya kod boleh menghuraikannya dengan boleh dipercayai. Ia lebih ketat daripada JSON mode, yang menjamin JSON yang sah tetapi bukan bentuk tertentu.

[Pengecaman aksara optik (OCR)](https://broadrouter.com/ms/glossary/ocr/)

Pengecaman aksara optik (OCR) ialah teknologi yang mengesan dan menukar teks bercetak atau tulisan tangan dalam imej, imbasan atau PDF kepada aksara yang boleh dibaca mesin. OCR klasik mengeluarkan teks dan kedudukannya pada halaman; model bahasa-penglihatan pula boleh membaca teks dan menjawab soalan tentangnya secara terus.

[Tool calling (panggilan alatan)](https://broadrouter.com/ms/glossary/tool-calling/)

Tool calling, juga dipanggil function calling, ialah ciri API LLM di mana model memulangkan permintaan berstruktur untuk menjalankan fungsi yang ditakrifkan oleh pembangun, bersama argumen JSON. Aplikasi menjalankan fungsi itu dan menghantar hasilnya kembali; model sendiri tidak pernah menjalankan kod.

[Baris Arab (tashkeel, Arabic diacritics)](https://broadrouter.com/ms/glossary/arabic-diacritics/)

Baris Arab, atau tashkeel, ialah tanda kecil yang ditulis di atas atau di bawah huruf untuk menunjukkan vokal pendek, konsonan berganda dan ketiadaan vokal. Ia pilihan: kebanyakan teks Arab, termasuk berita, meninggalkannya, jadi pembaca dan perisian meneka vokal daripada konteks.

[Bayar ikut guna (pay-as-you-go)](https://broadrouter.com/ms/glossary/pay-as-you-go/)

Bayar ikut guna ialah model harga di mana anda hanya membayar apa yang anda guna, dimeter mengikut unit seperti token, permintaan atau minit audio, tanpa langganan atau komitmen minimum. Kebanyakan API LLM mengebil dengan cara ini, daripada baki prabayar atau invois berkala.

[JSON Schema (skema JSON)](https://broadrouter.com/ms/glossary/json-schema/)

JSON Schema ialah perbendaharaan kata, ditulis dalam JSON, untuk menerangkan dan mengesahkan struktur data JSON: jenis, medan wajib, nilai yang dibenarkan dan penyarangan. Versi semasa ialah 2020-12. API LLM menggunakannya untuk mentakrifkan parameter alat dan bentuk tepat yang mesti diikuti oleh output berstruktur.

[Kejuruteraan prompt (prompt engineering)](https://broadrouter.com/ms/glossary/prompt-engineering/)

Kejuruteraan prompt ialah proses menulis, menyusun dan menguji arahan yang diberikan kepada model bahasa supaya ia sentiasa menghasilkan output yang memenuhi keperluan anda. Ia merangkumi mesej peranan, arahan yang jelas, contoh, format, dan pengukuran hasil berbanding kes ujian.

## Soalan lazim

### Bolehkah LLM visi menggantikan OCR untuk invois?

Untuk banyak susun atur, ya. Model visi membaca imej dan memetakan teks kepada medan dalam satu langkah, tanpa templat bagi setiap vendor. Ia masih kadangkala salah membaca digit, jadi kekalkan pengesahan dan baris gilir semakan.

### Bagaimanakah saya mendapatkan JSON yang boleh dipercayai daripada model visi?

Senaraikan kunci, jenis dan format yang tepat dalam prompt, minta JSON sahaja, dan huraikan dalam kod. Jika model menyokong output yang dikekang skema, gunakannya. Walau apa pun, sahkan dengan pustaka skema dan cuba semula sekali dengan ralatnya.

### Bagaimanakah saya mengekstrak data daripada invois PDF berbilang halaman?

Jadikan setiap halaman sebagai imej, kemudian hantar semua halaman satu invois dalam satu permintaan jika muat dalam konteks model, supaya jumlah pada halaman terakhir dapat dipadankan dengan baris pada halaman pertama.

### Apakah resolusi yang sesuai untuk imej invois?

Cukup tinggi supaya digit terkecil jelas, dan tidak lebih. Imej lebih besar menggunakan lebih banyak token input. Sisi panjang kira-kira 1,500 hingga 2,000 piksel ialah titik permulaan yang munasabah untuk halaman A4; uji pada dokumen anda sendiri.

### Bagaimanakah saya mengukur ketepatan pengekstrakan?

Labelkan 50 hingga 100 dokumen sebenar secara manual dan beri skor medan demi medan. Jejaki jumlah dan tarikh secara berasingan daripada medan teks bebas seperti nama vendor, kerana kos ralatnya berbeza.

## Teruskan membaca

-   [OCR bahasa Arab vs LLM vision: membaca dokumen dan invois Arab](https://broadrouter.com/ms/blog/arabic-ocr-vision-llm/)
-   [Perbandingan API OCR Arab: Google, Azure, Textract, Mistral, LLM](https://broadrouter.com/ms/blog/arabic-ocr-api-comparison/)
-   [API LLM penglihatan termurah: kos setiap imej dan setiap halaman](https://broadrouter.com/ms/blog/cheapest-vision-llm-api/)
-   [JSON mode vs json\_schema: output berstruktur yang boleh diharap](https://broadrouter.com/ms/blog/structured-output-json-schema/)
-   [Cara menilai LLM sebelum bertukar penyedia](https://broadrouter.com/ms/blog/evaluate-llm-before-switching/)
-   [Cara mengira token sebelum menghantar permintaan LLM](https://broadrouter.com/ms/blog/count-tokens-before-sending/)
-   [Jadikan semakan manusia sebahagian aliran kerja AI dokumen anda](https://broadrouter.com/ms/blog/document-review-queues/)
-   [Perkakasan GPU dan pendekatan penyajian BroadNet, menurut BroadNet](https://broadrouter.com/ms/blog/broadnet-gpu-fleet-and-serving/)
-   [Cache respons API LLM untuk jimat kos: cache padanan tepat Python](https://broadrouter.com/ms/blog/cache-llm-responses-cut-cost/)
-   [Panduan: Baca invois dan resit Arab dengan model vision](https://broadrouter.com/ms/guides/read-arabic-invoices-with-vision/)
-   [Panduan: Mengapa model penaakulan memulangkan jawapan kosong](https://broadrouter.com/ms/guides/reasoning-tokens-empty-response/)
-   [Panduan: Cara guna OpenAI Python SDK dengan BroadNet Inference](https://broadrouter.com/ms/guides/openai-python-sdk/)

Cuba dengan beban kerja sebenar anda. Akaun baharu bermula dengan kredit US$5 untuk Gemma dan transkripsi. DeepSeek, GLM dan Qwen3.8 memerlukan tambah nilai.

[Mulakan](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=ms-blog-extract-data-from-documents-with-vision-llm&utm_content=page-cta) ·

**Sumber**

-   [Rujukan API BroadNet Inference: chat dengan imej, jenis MIME, imej pada pelan (disemak 2026-11-14) (Bahasa Inggeris)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ms-blog-extract-data-from-documents-with-vision-llm&utm_content=sources#requests)
-   [Harga, model dan modaliti BroadNet Inference yang boleh dibaca mesin, pricing.json (disemak 2026-11-14) (Bahasa Inggeris)](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=ms-blog-extract-data-from-documents-with-vision-llm&utm_content=sources)
-   [Panduan Structured Outputs OpenAI, mod JSON berbanding pematuhan skema (disemak 2026-11-14)](https://developers.openai.com/api/docs/guides/structured-outputs)
-   [Dokumentasi Pydantic, model dan pengesahan (disemak 2026-11-14)](https://docs.pydantic.dev/latest/concepts/models/)
-   [Dokumentasi PyMuPDF, menjadikan halaman sebagai imej (disemak 2026-11-14)](https://pymupdf.readthedocs.io/en/latest/recipes-images.html)
