先说一个典型的场景：用户在代购独立站前台粘贴了一条淘宝或1688的链接，敲下回车，后台系统就开始自动抓取商品标题、价格、SKU等信息，整个过程不需要人工干预。这个功能看似不复杂，但要做好、做稳、做快，背后涉及链路解析、API调用、模拟请求、异步队列、反爬容灾等一系列工程决策。本文就来拆解这个过程，结合Taoify跨境电商的实际架构，讲一讲如何用HttpClient + Jsoup + 正则表达式，搭建一个稳定、可扩展的商品采集模块。

一、采集流程设计

当用户在前台粘贴一个链接，敲下回车，后台就开始紧张工作了。整个采集链路大致包含这么几个阶段：

链接解析 → 提取商品ID → 调用平台API或模拟请求获取HTML → 解析HTML提取结构化数据 → 映射到内部商品模型 → 异步保存到数据库

流程听起来简单，但每一步都有坑。比如，不同平台的链接结构不同，淘宝的是"id=xxxxx"，1688的可能又带路径参数。再比如，API有调用频次限制，模拟请求有封IP风险。所以，一个好的采集模块，既要能处理各种类型的链接，又要有足够的容错能力。

下面的示意图清晰地展示了整个链条：用户粘贴链接后，系统先做链接解析，再根据平台规则选择采集方式（API或模拟请求），然后通过异步队列完成数据提取与入库，最终通过WebSocket通知前端。

二、淘宝商品采集实现（基于官方API）

淘宝这边，优先推荐使用官方API。好处很明显：稳定、合规、不用担心反爬。只要拿到了淘宝开放平台的AppKey，调用taobao.item.get接口就能拿到完整的商品数据，包括标题、价格、图片、属性等，比解析HTML靠谱得多。

核心逻辑分三步：从URL中提取商品ID，构建API请求，解析返回结果。来看一下代码实现（关键部分）：

@Service
public class TaobaoProductCollector {
    @Autowired
    private RestTemplate restTemplate;

    public ProductInfo collect(String url) {
        // 从URL中提取商品ID
        String pattern = "id=(\\d+)";
        Pattern r = Pattern.compile(pattern);
        Matcher m = r.matcher(url);
        String itemId = m.find() ? m.group(1) : null;

        // 构建API请求
        String apiUrl = "https://eco.taobao.com/router/rest";
        Map params = new HashMap<>();
        params.put("method", "taobao.item.get");
        params.put("app_key", APP_KEY);
        params.put("fields", "num_iid,title,price,pic_url,props_name");
        params.put("num_iid", itemId);
        params.put("sign", generateSign(params));

        String response = restTemplate.postForObject(apiUrl, params, String.class);
        return parseResponse(response);
    }
}

这里面有几个细节需要注意：一是签名算法必须按淘宝开放平台的规范来，二是字段列表要精准，避免不必要的流量消耗。如果能拿到API文档，建议一次性把库存、SKU、轮播图等信息都要过来，减少后续补采的麻烦。

三、1688商品采集实现（模拟请求）

1688这边的情况就复杂一些。开放平台的门槛较高，小规模采集不一定能申请下来。这时候，很多团队会选择模拟浏览器请求的方式——说白了，就是用HttpClient发一个带User-Agent和Accept头的GET请求，拿到HTML后交给Jsoup去解析。

原理不复杂，我们来拆开看：

@Component
public class AlibabaProductCollector {
    public ProductInfo collect(String url) {
        // 设置袋里IP池，防止被封
        CloseableHttpClient httpClient = HttpClients.custom()
                .setProxy(new HttpHost(PROXY_HOST, PROXY_PORT))
                .setDefaultRequestConfig(RequestConfig.custom()
                        .setConnectionRequestTimeout(5000)
                        .setSocketTimeout(10000)
                        .build())
                .build();

        HttpGet httpGet = new HttpGet(url);
        httpGet.setHeader("User-Agent", "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36");
        httpGet.setHeader("Accept", "text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8");

        try (CloseableHttpResponse response = httpClient.execute(httpGet)) {
            String html = EntityUtils.toString(response.getEntity(), "UTF-8");
            Document doc = Jsoup.parse(html);

            ProductInfo product = new ProductInfo();
            // 1688页面解析逻辑
            product.setTitle(doc.select(".d-title h1").text());
            product.setPrice(doc.select(".price").first().text());

            // 解析SKU信息
            Elements skuElements = doc.select(".sku-items li");
            List skus = skuElements.stream().map(e -> {
                SKU sku = new SKU();
                sku.setName(e.select(".sku-name").text());
                sku.setValue(e.select(".sku-value").text());
                return sku;
            }).collect(Collectors.toList());
            product.setSkus(skus);

            return product;
        }
    }
}

模拟请求的灵活性确实不错，但有两个硬伤：一是网页结构随时可能变化，一旦1688改版，解析代码就得跟着调整；二是反爬压力大，频繁请求很可能被封IP。所以，袋里池是必须的——用阿里云弹性IP池动态切换，是个比较稳妥的方案。

另外，强烈建议对模拟请求的模块做好错误重试。一次性请求失败后，换IP再试一次，连续失败三次再报异常，能显著提升采集成功率。

四、异步任务队列设计

采集操作有一个特点：耗时比较长。一次完整的采集，从发起请求到解析入库，少则一两秒，多则十来秒。如果在用户点击“采集”按钮的瞬间同步等待，体验就太差了。所以，异步处理是必须的。

业内通用的做法是引入消息队列。所有采集请求先入队，后端消费者按节奏处理，处理完后再通过WebSocket通知前端。Taoify跨境电商这里用的是阿里云MNS，核心代码示例如下：

@Service
public class CollectService {
    @Autowired
    private MnsClient mnsClient;

    public void submitCollectTask(String url, String platform, String userId) {
        CollectTask task = new CollectTask(url, platform, userId);
        // 发送到消息队列
        mnsClient.sendMessage(QueueName.PRODUCT_COLLECT_QUEUE, JSON.toJSONString(task));
    }

    @MnsListener(queueName = "PRODUCT_COLLECT_QUEUE")
    public void handleCollectTask(String message) {
        CollectTask task = JSON.parseObject(message, CollectTask.class);
        ProductInfo product = collect(task.getUrl(), task.getPlatform());
        // 存入数据库，关联用户
        productMapper.insert(product);
        // 发送WebSocket通知前端采集完成
        webSocketService.sendNotification(task.getUserId(), product);
    }
}

这里有一个值得注意的点：消费端的逻辑应该是幂等的。万一消息被重复消费（MQ特性或者网络重试导致的），不能出现重复插入数据的问题。建议在入库前先做一次去重校验，比如根据URL+用户ID的唯一索引来防重。

消息队列选型上，阿里云MNS、RocketMQ、RabbitMQ都可以，关键看团队的技术栈和运维能力。Taoify选择MNS主要是因为它与阿里云其他服务的集成度高，监控和告警也比较省心。

五、反爬策略与容灾

聊到采集，反爬是个绕不开的话题。不管是淘宝还是1688，对异常请求的识别和拦截都在不断升级。我们需要做的，是尽可能让请求看起来像正常的用户行为。

核心策略大致包括：

• 袋里IP池：每个请求都随机使用池中IP，避免单一IP的高频访问。阿里云弹性IP池可以按需创建和释放，成本可控。
• 请求频率控制：同一个IP的请求间隔不能太短，建议至少间隔3-5秒。
• User-Agent随机化：固定用同一个UA容易被识别，最好维护一个UA列表，每次请求随机取一个。
• 请求头完整性：Cookie、Referer等字段最好也带上，尤其是需要登录态的页面。

即使做了这些，仍然可能出现采集失败。这时候容灾机制就派上用场了。我们配置了重试策略：单次失败后，自动切换IP重试，最多3次。如果3次都失败，就把任务扔进死信队列（死信表），后续人工介入排查原因。

这套机制跑下来，日处理百万级链接是没问题的。当然，前提是做好监控和告警，一旦某个链路失败率升高，能及时发现问题并修复。

以上就是商品采集模块从设计到落地的关键环节。从API调用到模拟请求，从同步阻塞到异步解耦，每一步都直接影响用户体验和系统稳定性。希望这些经验能给正在搭建或优化采集模块的团队一些参考。