之前遇到一个比较头疼的场景一批电商商品链接因为活动下架、店铺调整等原因失效了但历史运营记录、采购清单和竞品分析还需要继续使用其中的关键参数。比如标题里写得很清楚的“可拆洗布艺沙发床”“奶油风”“1.55米”“母婴A类”“0甲醛雪尼尔”“羽绒版”这些信息如果只躺在失效链接里后续做选品复盘和价格对比时就等于数据丢失。本文就用这个场景带大家从零实现一个“商品标题结构化解析与数据分析”的小工具既能处理失效商品信息也能作为数据清洗、规则解析、SQLite 存储的入门练手项目。这套方案基于 Python 实现核心思路是把非结构化的商品标题转换成结构化的字段数据再落到 SQLite 里做查询和统计。全文包含完整代码、样例数据、运行结果和常见问题排查适合对 Python 数据处理、正则表达式和轻量级存储感兴趣的同学拿来就能改、就能跑。1. 背景与核心概念1.1 什么是商品标题结构化解析商品标题本质上是一条非结构化文本但里面包含的信息密度很高。以本文的原始标题为例【已失效】狄普雾屿 可拆洗布艺沙发床 2026新款 奶油风 1.55米 母婴A类 0甲醛雪尼尔 羽绒版这条标题里可以拆出以下信息信息维度标题原文结构化字段品牌狄普雾屿brand商品类型布艺沙发床product_type功能特性可拆洗feature年份2026新款year风格奶油风style尺寸1.55米size_cm安全等级母婴A类safety_level环保声明0甲醛eco_flag面料材质雪尼尔material填充物羽绒版filling结构化解析就是通过正则表达式、关键词词典和规则引擎把上面这种“挤在一起”的标题文本拆成一个一个可查询的字段。这样后续的统计、筛选、对比、可视化才有的放矢。1.2 链接失效后的数据场景“【已失效】”这个前缀在日常数据工作中很常见。当一个商品链接失效后我们仍然可能需要这些历史数据来做采购复盘去年采购的沙发床面料和填充物分别是什么有没有“母婴A类”标识。价格趋势虽然链接失效了但历史快照数据里可能还有价格记录需要和标题参数关联。选品参考同类目的热销品在风格、尺寸、材质上有哪些共性。合规检查检查商品是否存在“0甲醛”等宣称后续需要看到检测报告。如果没有一套解析工具面对几百条、几千条标题文本靠人工整理效率太低而且容易出错。解析工具的意义就是把这种重复劳动自动化。1.3 为什么选择 Python 和 SQLitePython 在处理文本方面有天然优势正则表达式库re、数据分析库pandas、以及海量的文本处理生态都能快速上手。SQLite 则是一个非常轻量的嵌入式数据库不需要单独安装数据库服务一个文件就能完成建表、查询、统计非常适合这种小规模的数据处理任务。用这套组合不需要部署 Hadoop也不需要引入大型数仓一台普通电脑就能完成从标题解析到数据统计的全流程。2. 环境准备与项目结构2.1 运行环境说明本文示例使用 Python 3 环境。版本需要根据你的项目实际情况调整本文示例以常见环境为例重点演示配置思路。建议使用 Python 3.9 及以上版本但即使版本略低只要包含re、sqlite3、csv这些标准库代码也能正常运行。需要安装的第三方库pip install pandaspandas主要用于最终的数据读取和统计分析。如果不方便安装也可以使用 Python 自带的csv模块完成大部分功能本文会先以标准库为主最后给出 pandas 的进阶用法。2.2 项目目录结构建议创建如下目录结构product-parser/ ├── data/ │ ├── sample_data.csv # 样例数据 │ └── parsed_products.db # SQLite 数据库文件运行后生成 ├── parser/ │ ├── __init__.py │ ├── title_parser.py # 标题解析核心逻辑 │ ├── storage.py # SQLite 存储逻辑 │ └── analyzer.py # 统计与分析逻辑 ├── main.py # 主程序入口 └── requirements.txt # 依赖清单如果只是本地练习不建包结构也可以直接写一个main.py也能运行。但为了让代码更清晰本文会按模块拆分。2.3 样例数据准备在data/sample_data.csv中写入如下样例数据。这些数据是我为演示构造的示例不代表真实商品也不涉及真实商家信息id,title,source_url,collected_at 1,【已失效】狄普雾屿 可拆洗布艺沙发床 2026新款 奶油风 1.55米 母婴A类 0甲醛雪尼尔 羽绒版,https://example.com/item/1,2025-01-15 10:00:00 2,北欧简约实木沙发 双人位 2.2米 科技布 防猫抓 可拆洗,https://example.com/item/2,2025-01-15 10:05:00 3,现代轻奢真皮沙发 三人位 2.8米 头层牛皮 意式极简,https://example.com/item/3,2025-01-16 09:30:00 4,日式榻榻米沙发椅 单人位 80cm 棉麻面料 可折叠,https://example.com/item/4,2025-01-16 11:20:00 5,奶油风布艺沙发床 小户型 155cm 母婴A类 雪尼尔 羽绒版 可拆洗,https://example.com/item/5,2025-01-17 14:00:00 6,简约现代科技布沙发 三人位 2.6米 防泼水 高回弹海绵,https://example.com/item/6,2025-01-18 16:30:00 7,意式极简真皮沙发 大平层 3.2米 头层牛皮 乳胶填充,https://example.com/item/7,2025-01-19 10:15:00 8,奶油风可拆洗沙发 小户型 1.8米 母婴A类 科技布 0甲醛,https://example.com/item/8,2025-01-20 13:45:003. 数据建模与规则设计3.1 数据库字段设计在 SQLite 中我们设计一张product_info表用来存储解析后的商品信息CREATE TABLE IF NOT EXISTS product_info ( id INTEGER PRIMARY KEY AUTOINCREMENT, raw_id INTEGER, title TEXT, brand TEXT, product_type TEXT, style TEXT, size_cm REAL, safety_level TEXT, eco_flag INTEGER, material TEXT, filling TEXT, washable INTEGER, year TEXT, source_url TEXT, collected_at TEXT, parse_time TEXT, UNIQUE(raw_id) );字段说明字段名含义示例raw_id原始数据编号1title原始标题可拆洗布艺沙发床...brand品牌狄普雾屿product_type商品类型沙发床style风格奶油风size_cm归一化后的尺寸厘米155.0safety_level安全等级母婴A类eco_flag是否宣称环保1material面料材质雪尼尔filling填充物羽绒washable是否可拆洗1year年份/新款标识2026source_url来源链接https://example.com/item/1collected_at采集时间2025-01-15 10:00:00parse_time解析时间2025-01-21 09:00:00这里把“0甲醛”处理成eco_flag布尔字段而不是直接存文本是为了方便后续统计“环保宣称占比”。要注意的是“0甲醛”更多是商家宣传用语真正是否达标要看检测报告。在工程处理时我们只做信息提取不做质量鉴定。3.2 规则词典设计规则解析的关键是建立关键词词典。词典可以维护成 Python 字典也可以放在外置 JSON 文件中。本文为了演示简单先放在代码里。# parser/dicts.py BRAND_DICT [狄普雾屿, 林氏木业, 全友, 顾家家居, 喜临门, 慕思] STYLE_DICT { 奶油风: [奶油, 奶油风], 现代简约: [现代, 简约], 北欧: [北欧], 日式: [日式, 榻榻米], 意式极简: [意式, 极简], 轻奢: [轻奢] } MATERIAL_DICT [雪尼尔, 科技布, 棉麻, 头层牛皮, 真皮, 绒布, 亚麻] FILLING_DICT [羽绒, 乳胶, 高回弹海绵, 海绵, 记忆棉] FEATURE_DICT { 可拆洗: [可拆洗, 拆洗], 可折叠: [可折叠, 折叠], 防猫抓: [防猫抓], 防泼水: [防泼水, 防水], 多功能: [多功能] } SAFETY_DICT { 母婴A类: [母婴A类, A类, 母婴], B类: [B类], C类: [C类] }为什么要把词典放到单独模块因为真实业务中词典会随着数据增加而持续迭代。比如今天发现了一个新面料“灯芯绒”只需要在MATERIAL_DICT里加一个词不需要改解析逻辑。这种设计能降低后期维护成本。4. 核心代码实现4.1 标题清洗解析前要先做标题清洗主要处理以下几类噪声移除“【已失效】”这类状态标记。统一全角/半角符号和空格。去掉多余的特殊字符。# parser/title_parser.py import re def clean_title(title: str) - str: 清洗原始标题返回去除失效标记和多余符号的文本。 if not title: return # 去除【】里的状态标记如【已失效】 title re.sub(r【.*?】, , title) # 去除方括号和括号 title re.sub(r[\[\]()], , title) # 将全角空格转半角多个空格合并为一个 title title.replace(\u3000, ).replace( , ) title re.sub(r\s, , title).strip() return title这段代码里有两个值得注意的点re.sub(r【.*?】, , title)使用了非贪婪匹配.*?会精准删除“【已失效】”这类括号内容。如果写成.*可能因为贪婪匹配误删标题后面的部分。re.sub(r\s, , title)将多个连续空白字符合并为单个空格方便后续按空格分词。4.2 解析尺寸字段尺寸是商品参数中非常重要的数值字段写法非常多例如1.55米、155cm、1.5m。需要统一归一化处理方便后续按范围筛选。def extract_size(text: str) - float: 提取尺寸并统一转为厘米。 # 匹配数字单位单位支持 米、m、cm、厘米 pattern re.compile(r(\d(?:\.\d)?)\s*(米|m|cm|厘米), re.IGNORECASE) match pattern.search(text) if not match: return None value float(match.group(1)) unit match.group(2).lower() if unit.startswith(cm): return value elif unit 米 or unit m: return value * 100 return None示例运行结果extract_size(1.55米) # 155.0 extract_size(155cm) # 155.0 extract_size(80cm) # 80.04.3 品牌与风格解析品牌解析可以通过词典匹配实现也可以结合标题开头的位置信息。中文商品标题通常会把品牌放在最前面但也不绝对所以本文用词典匹配加遍历方式实现。def extract_brand(text: str, brand_dict: list) - str: 从标题中匹配品牌词。 for brand in brand_dict: if brand in text: return brand return None风格解析类似def extract_style(text: str, style_dict: dict) - str: 从标题中匹配风格关键词。 for style_name, keywords in style_dict.items(): for kw in keywords: if kw in text: return style_name return None4.4 材质与填充物解析材质和填充物解析逻辑类似都是关键词匹配。需要注意标题中可能出现多个材质词但为了样例简单本示例只返回第一个匹配到的结果。实际项目中可以改为返回列表。def extract_by_keywords(text: str, keywords: list) - str: 通用关键词匹配返回第一个命中的关键词。 for kw in keywords: if kw in text: return kw return None4.5 安全等级与环保标识解析安全等级匹配需要注意词序“母婴A类”包含“A类”和“母婴”两个关键词所以匹配时要把更长的词放在前面避免先匹配到“A类”导致结果不完整。def extract_safety_level(text: str, safety_dict: dict) - str: 解析安全等级。 for level, keywords in safety_dict.items(): for kw in keywords: if kw in text: return level return None def extract_eco_flag(text: str) - int: 判断标题中是否包含环保宣称。 if 0甲醛 in text or 零甲醛 in text or 无甲醛 in text or 环保 in text: return 1 return 04.6 合并成一个解析器类把上面的方法统一封装成一个ProductTitleParser类方便复用。# parser/title_parser.py import re from datetime import datetime class ProductTitleParser: def __init__(self): from parser.dicts import ( BRAND_DICT, STYLE_DICT, MATERIAL_DICT, FILLING_DICT, FEATURE_DICT, SAFETY_DICT ) self.brand_dict BRAND_DICT self.style_dict STYLE_DICT self.material_dict MATERIAL_DICT self.filling_dict FILLING_DICT self.feature_dict FEATURE_DICT self.safety_dict SAFETY_DICT def clean_title(self, title: str) - str: 清洗标题 if not title: return title re.sub(r【.*?】, , title) title re.sub(r[\[\]()], , title) title title.replace(\u3000, ).replace( , ) title re.sub(r\s, , title).strip() return title def extract_size(self, text: str) - float: 提取尺寸并转为厘米 pattern re.compile(r(\d(?:\.\d)?)\s*(米|m|cm|厘米), re.IGNORECASE) match pattern.search(text) if not match: return None value float(match.group(1)) unit match.group(2).lower() if unit.startswith(cm): return value elif unit 米 or unit m: return value * 100 return None def extract_brand(self, text: str) - str: for brand in self.brand_dict: if brand in text: return brand return None def extract_style(self, text: str) - str: for style_name, keywords in self.style_dict.items(): for kw in keywords: if kw in text: return style_name return None def extract_material(self, text: str) - str: for kw in self.material_dict: if kw in text: return kw return None def extract_filling(self, text: str) - str: for kw in self.filling_dict: if kw in text: return kw return None def extract_feature(self, text: str) - str: for feature_name, keywords in self.feature_dict.items(): for kw in keywords: if kw in text: return feature_name return None def extract_safety_level(self, text: str) - str: for level, keywords in self.safety_dict.items(): for kw in keywords: if kw in text: return level return None def extract_eco_flag(self, text: str) - int: if 0甲醛 in text or 零甲醛 in text or 无甲醛 in text or 环保 in text: return 1 return 0 def extract_year(self, text: str) - str: pattern re.compile(r(20\d{2})\s*新款?) match pattern.search(text) if match: return match.group(1) return None def parse(self, title: str) - dict: clean self.clean_title(title) result { cleaned_title: clean, brand: self.extract_brand(clean), product_type: 沙发 if 沙发 in clean else None, style: self.extract_style(clean), size_cm: self.extract_size(clean), safety_level: self.extract_safety_level(clean), eco_flag: self.extract_eco_flag(clean), material: self.extract_material(clean), filling: self.extract_filling(clean), feature: self.extract_feature(clean), year: self.extract_year(clean), } return result这里有一个细节product_type暂时用了最简单的字符串包含判断。真实项目里可能需要更细的品类识别比如“沙发床”“沙发椅”“单椅”可以单独维护一个品类词典后续扩展。5. 完整实战案例5.1 编写存储模块接下来编写 SQLite 存储模块负责建表、插入和去重。# parser/storage.py import sqlite3 from datetime import datetime class SQLiteStorage: def __init__(self, db_path: str): self.db_path db_path self.conn sqlite3.connect(db_path) self.create_table() def create_table(self): sql CREATE TABLE IF NOT EXISTS product_info ( id INTEGER PRIMARY KEY AUTOINCREMENT, raw_id INTEGER, title TEXT, cleaned_title TEXT, brand TEXT, product_type TEXT, style TEXT, size_cm REAL, safety_level TEXT, eco_flag INTEGER, material TEXT, filling TEXT, feature TEXT, year TEXT, washable INTEGER, source_url TEXT, collected_at TEXT, parse_time TEXT, UNIQUE(raw_id) ); self.conn.execute(sql) self.conn.commit() def insert_product(self, data: dict) - bool: 插入一条解析结果。如果 raw_id 已存在则跳过。 try: self.conn.execute( INSERT OR IGNORE INTO product_info ( raw_id, title, cleaned_title, brand, product_type, style, size_cm, safety_level, eco_flag, material, filling, feature, year, washable, source_url, collected_at, parse_time ) VALUES (?, ?, ?, ?, ?, ?, ?, ?, ?, ?, ?, ?, ?, ?, ?, ?, ?) , ( data.get(raw_id), data.get(title), data.get(cleaned_title), data.get(brand), data.get(product_type), data.get(style), data.get(size_cm), data.get(safety_level), data.get(eco_flag), data.get(material), data.get(filling), data.get(feature), data.get(year), data.get(washable, 0), data.get(source_url), data.get(collected_at), datetime.now().strftime(%Y-%m-%d %H:%M:%S), ), ) self.conn.commit() return True except Exception as e: print(f插入失败: {e}) return False def query_all(self, limit: int 100): cursor self.conn.execute( SELECT * FROM product_info ORDER BY raw_id LIMIT ?, (limit,) ) columns [desc[0] for desc in cursor.description] rows cursor.fetchall() return [dict(zip(columns, row)) for row in rows] def close(self): self.conn.close()使用INSERT OR IGNORE是保证数据不重复的关键。结合UNIQUE(raw_id)约束即使同一份数据重复跑多次也不会产生重复记录。5.2 编写读取与解析主流程# main.py import csv import os from parser.title_parser import ProductTitleParser from parser.storage import SQLiteStorage def read_csv(file_path: str): 读取 CSV 文件返回字典列表。 rows [] with open(file_path, moder, encodingutf-8-sig) as f: reader csv.DictReader(f) for row in reader: rows.append(row) return rows def process_sample(): csv_path data/sample_data.csv db_path data/parsed_products.db parser ProductTitleParser() storage SQLiteStorage(db_path) if not os.path.exists(csv_path): print(f找不到样例数据: {csv_path}) return rows read_csv(csv_path) success_count 0 for row in rows: raw_title row.get(title, ) parse_result parser.parse(raw_title) parse_result[raw_id] int(row.get(id, 0)) parse_result[title] raw_title parse_result[source_url] row.get(source_url, ) parse_result[collected_at] row.get(collected_at, ) # 单独处理可拆洗字段 parse_result[washable] 1 if 可拆洗 in raw_title or 拆洗 in raw_title else 0 ok storage.insert_product(parse_result) if ok: success_count 1 print(f解析 [{raw_id}] - {parse_result}) print(f共处理 {len(rows)} 条成功入库 {success_count} 条。) storage.close() if __name__ __main__: process_sample()这里注意 CSV 编码问题。用utf-8-sig读取可以兼容带 BOM 头的文件避免第一列字段名出现\ufeff前缀的问题。5.3 编写统计分析模块数据入库后可以做几个基础统计风格分布、材质分布、尺寸区间分布、环保宣称占比、可拆洗占比。# parser/analyzer.py import csv from collections import Counter def analyze_from_storage(storage) - dict: rows storage.query_all(limit1000) if not rows: return {} result {} result[total] len(rows) # 风格分布 style_counter Counter() for r in rows: if r.get(style): style_counter[r[style]] 1 else: style_counter[未识别] 1 result[style_dist] dict(style_counter) # 材质分布 material_counter Counter() for r in rows: if r.get(material): material_counter[r[material]] 1 else: material_counter[未识别] 1 result[material_dist] dict(material_counter) # 尺寸区间分布 size_buckets {1米: 0, 1-2米: 0, 2-3米: 0, 3米: 0, 未知: 0} for r in rows: size_cm r.get(size_cm) if size_cm is None: size_buckets[未知] 1 elif size_cm 100: size_buckets[1米] 1 elif size_cm 200: size_buckets[1-2米] 1 elif size_cm 300: size_buckets[2-3米] 1 else: size_buckets[3米] 1 result[size_dist] size_buckets # 环保宣称占比 eco_count sum(1 for r in rows if r.get(eco_flag) 1) result[eco_ratio] round(eco_count / len(rows) * 100, 2) # 可拆洗占比 washable_count sum(1 for r in rows if r.get(washable) 1) result[washable_ratio] round(washable_count / len(rows) * 100, 2) return result def export_to_csv(result: dict, output_path: str): 将统计结果导出为 CSV。 with open(output_path, modew, encodingutf-8-sig, newline) as f: writer csv.writer(f) writer.writerow([指标, 值]) for key, value in result.items(): if isinstance(value, dict): for sub_key, sub_value in value.items(): writer.writerow([f{key}_{sub_key}, sub_value]) else: writer.writerow([key, value])再在main.py中增加调用def analyze_and_export(db_pathdata/parsed_products.db, output_pathdata/analysis_result.csv): storage SQLiteStorage(db_path) result analyze_from_storage(storage) export_to_csv(result, output_path) print(统计结果已导出:, output_path) for k, v in result.items(): print(k, -, v) storage.close()5.4 运行与验证在项目根目录执行python main.py预期输出大致如下解析 [1] - {cleaned_title: 狄普雾屿 可拆洗布艺沙发床 2026新款 奶油风 1.55米 母婴A类 0甲醛雪尼尔 羽绒版, ...} 解析 [2] - {cleaned_title: 北欧简约实木沙发 双人位 2.2米 科技布 防猫抓 可拆洗, ...} ... 共处理 8 条成功入库 8 条。 统计结果已导出: data/analysis_result.csv 风格分布 - {奶油风: 3, 现代简约: 1, 北欧: 1, 日式: 1, 意式极简: 1, 未识别: 1} 材质分布 - {雪尼尔: 2, 科技布: 3, 头层牛皮: 2, 棉麻: 1} ...如果你想要更直观的统计这里可以用 pandas 进一步处理import pandas as pd df pd.read_csv(data/analysis_result.csv) print(df.head())实际项目中可以把统计结果接入报表系统或者用 matplotlib 画成柱状图、饼图。6. 常见问题与排查思路问题现象常见原因解决思路正则无法匹配中文Python 源码文件编码问题或正则中包含不兼容字符统一使用 UTF-8 保存源码文件字符串前加r前缀尺寸字段解析为 None标题里没有标准单位例如“1米5”增加“x米x”“1米5”等写法支持或人工补录CSV 读取后第一列有\ufeff文件带 BOM 头使用encodingutf-8-sig读取多次运行后数据重复没有唯一约束或插入逻辑使用INSERT OR IGNORE并在表上建立UNIQUE(raw_id)品牌词识别不准品牌不在词典中迭代补充词典或结合首个空格前的词作为候选品牌“母婴A类”被识别成“A类”词典顺序不当把长词、更具体的词放在前面优先匹配标题中“已失效”影响解析清洗步骤未生效检查re.sub(r【.*?】, , title)是否在解析前执行SQLite 数据库无法写入目录不存在或权限不足确认data/目录存在检查文件权限排查顺序也很重要。当解析结果不准确时建议按以下步骤来先打印清洗后的标题确认基础文本是否正常。再单独测试某个解析函数例如只测尺寸正则。最后再组合多个字段定位是词典问题还是正则问题。7. 最佳实践与工程建议7.1 词典外置化在真实项目中品牌、材质、风格这些词典会频繁更新建议不要硬编码在.py文件里而是放到 JSON 或 YAML 配置文件中。例如{ brand: [狄普雾屿, 林氏木业, 全友], material: [雪尼尔, 科技布, 棉麻] }解析器启动时读取配置文件业务人员可以直接维护词典不用改代码。7.2 异常处理与日志解析逻辑虽然简单但真实标题往往千奇百怪。建议在解析入口加统一异常捕获并输出日志import logging logging.basicConfig(levellogging.INFO, format%(asctime)s %(levelname)s %(message)s) try: result parser.parse(title) except Exception as e: logging.error(f解析失败: {title}, 错误: {e})这样即使某条数据解析出错也不会让整个任务中断。7.3 数据合规与边界在处理电商数据时需要注意几个边界只处理公开数据或已经获得授权的数据不绕过平台反爬机制。不采集非公开的订单信息、用户隐私数据。不利用解析结果进行恶意比价、批量下单、恶意举报等违反平台规则的行为。“0甲醛”“母婴A类”等词在业务上最好与检测报告字段绑定避免单纯依据标题做质量判断。这不是形式要求而是工程实践中必须遵守的底线。数据工作做久了就会发现数据链路的合规性直接影响整个项目的可持续性。7.4 从规则解析到智能解析规则解析的优势是可控、可解释、性能高但缺点也很明显新词层出不穷词典维护成本高。当数据量增大到一定程度可以考虑引入 NLP 技术例如分词工具jieba 分词后再结合词性标注提取品牌、材质、风格。命名实体识别训练一个专门的商品属性识别模型。大模型辅助利用 LLM 从标题中抽取结构化字段再人工校验。推荐顺序是先用规则解析跑通流程积累标注数据当规则维护成本超过阈值时再考虑引入模型形成“规则 模型 人工审核”的混合链路。7.5 增量更新与幂等设计如果每天都会采集新的商品数据建议在设计表结构时增加collected_at和parse_time两个时间字段并建立唯一索引。解析任务支持重跑重复执行不会产生脏数据。这是数据工程里最基本的幂等性原则。8. 总结与下一步方向本文从一个【已失效】的商品标题出发做了一套完整的数据解析项目通过正则与词典实现商品标题结构化把解析结果存储到 SQLite并完成基础统计和 CSV 导出。整个过程中涉及的关键技术点包括文本清洗、正则匹配、词典设计、数据库幂等写入、统计分析和异常排查掌握了这些后续处理其他品类的商品标题或者类似的非结构化文本思路都是相通的。如果你想把项目继续深入可以尝试以下几个方向把词典迁移到外部 JSON 文件做成可配置的规则引擎。增加多字段返回例如让材质返回多个命中结果而不是只返回第一个。接入 jieba 分词对比规则解析与分词解析的准确率差异。将统计结果用 Flask 做一个简单的本地展示页面或者用 matplotlib 生成可视化报表。实际项目中优先关注数据质量和词典维护成本。规则解析不是银弹但随着词典不断迭代它能覆盖 80% 以上的常见标题。剩下的疑难杂症再结合人工标注和模型辅助来处理。如果这篇文章对你理解商品信息解析有帮助可以收藏备用后面遇到类似需求时直接照着改造。