Gemini API强制生成结构化数据：JSON与表格输出方法

API调用中强制输出JSON：生产环境唯一可靠方案

关键在于通过代码调用。网页端或 App 对话无法保证字段完整性和格式稳定性。

第一步安装 SDK：pip install google-generativeai。注意必须使用 gemini-1.5-flash 或更高版本，低版本不支持 response_mime_type。

第二步：在 generate_content 调用中显式声明响应类型和结构。【response_mime_type 必须设为 "application/json"，否则返回纯文本】。很多人仅在 prompt 中写“请输出 JSON”，实测完全不可靠——模型很可能混入解释性文字或遗漏字段。

第三步：定义严格校验的 response_schema。例如提取用户信息时，明确字段名、类型、是否必填：
```python {"type": "object", "properties": {"name": {"type": "string"}, "age": {"type": "integer"}, "is_active": {"type": "boolean"}}} ```
不定义 schema 的后果：数字被转成字符串，布尔值变成“是/否”，空字段直接消失。数据入库后类型匹配错误，回头清洗成本极高。

最后一步：解析返回内容时直接用 json.loads(response.candidates[0].content.parts[0].text)。API 已自动去除前后的 ```json 和换行符，无需手动 strip 或写正则清洗——工程实践中这类冗余操作能省则省。

零代码生成表格：网页/App端两种指令法

临时导出、快速比对或未接入代码的环境，以下两种轻量方法非常实用。

方法一：用表头模板引导模型。提示开头直接写：“请按以下列顺序输出表格：姓名｜电话｜邮箱｜入职年份｜部门”。竖线分隔的字段名能显著提升列对齐准确率。结尾必须追加：“只输出表格，不要任何解释”。模型大概率返回 Markdown 表格，复制后直接粘贴进 Excel（2024+ 版本原生支持），几秒即可完成。

方法二：用强约束短语锁定格式。例如：“生成逗号分隔的CSV格式，字段顺序固定为：id,name,role,salary，每行一条记录，共5条，不加表头，不加引号，不换行”。注意“不加引号”能避免 Excel 误将数字当文本处理，但前提是字段内无逗号。若字段本身包含逗号、换行或引号，必须启用 response_schema + JSON 模式——【此场景下不可用该法，否则解析结果严重混乱】。

嵌套结构数据生成：用Pydantic定义模型再交给API

当业务数据复杂化——订单包含多个商品、用户信息下有多个地址、需要输出带枚举值的状态字段——纯提示词或基础 schema 已无法胜任。

解决方案是额外安装依赖：pip install pydantic。

然后编写 Pydantic 模型。以食谱结构为例，每道菜关联多种食材：

class Ingredient(BaseModel): name: str; quantity: str; unit: str
class Recipe(BaseModel): recipe_name: str; ingredients: List[Ingredient]

调用时，将 response_schema 直接设为 List[Recipe]，而非手写冗长的 JSON Schema 字符串。Pydantic 模型自动转为 Gemini 可识别的 schema，并支持 Field(enum=[...]) 强制枚举值、Field(default=None) 控制字段可选性——这些都是纯 JSON Schema 写法难以优雅处理的功能。

返回结果直接用 Recipe.model_validate_json(...) 加载。字段类型、嵌套层级、缺失容错全部由 Pydantic 底层兜底。不再需要手写 try-except 校验 age 是否为 int，也不用担心某字段缺失导致程序崩溃——这才是专业工程应有的可靠性。