PHP 采集淘寶商品信息實戰：正則提取圖片、價格、屬性、描述

方案選型

淘寶開放平台提供官方 API（需應用備案、簽名驗證），適合正規商業項目。若僅需公開頁面數據（圖片、標題、價格），file_get_contents + 正則提取是零成本快速方案。本文基於淘寶 PC 端頁面結構（GBK 編碼）實測可用。

核心思路

1. file_get_contents($url) 獲取頁面完整 HTML（字符串）
2. 針對固定 ID/Class 的標簽編寫正則提取目標片段
3. 處理編碼轉換（GBK → UTF-8）
4. 異步加載內容（描述）通過注入 JS 實現

實戰代碼逐模塊解析

A. 獲取 500px 主圖

<?php
$url = "https://item.taobao.com/item.htm?id=2380347279";
$html = file_get_contents($url);

// 正則匹配 id="J_ImgBooth" 的 img 標簽
preg_match('/<img[^>]*id="J_ImgBooth"[^>]*src=["\']([^"\']+)["\']/i', $html, $m);
$img500 = $m[1] ?? '';  // 圖片 URL（通常為 //g.alicdn.com/... 或 https://img.alicdn.com/...）
?>

關鍵點：淘寶主圖 ID 固定為 J_ImgBooth，正則只需鎖定此 ID 提取 src 屬性。

B. 獲取商品標題

<?php
preg_match('/<title>([^<>]+)<\/title>/i', $html, $m);
$title = $m[1] ?? '';
// 淘寶頁面 GBK 編碼，UTF-8 項目需轉碼
$title = iconv('GBK', 'UTF-8//IGNORE', $title);
?>

注意：title 含「- 淘寶網」後綴，實際使用時可 str_replace('- 淘寶網', '', $title) 去除。

C. 獲取價格

<?php
// id="J_StrPrice" 通常在 <strong> 或 <em> 標簽中
preg_match('/<[a-z]+[^>]*id="J_StrPrice"[^>]*>([^<]+)<\/[a-z]+>/is', $html, $m);
$price = floatval($m[1] ?? 0); // 轉浮點數入庫
?>

D. 獲取屬性區塊（難點：巢狀結構不定深）

屬性區塊結構：<div class="attributes">...</div> 後緊跟 <div id="description"> 或 <div class="box J_TBox">。利用這一固定順序「切片」提取：

<?php
// 1. 從 attributes 開始截取到頁面末尾
preg_match('/<div[^>]*class="attributes"[^>]*>.*<\/div>/is', $html, $m);
$block = $m[0] ?? '';

// 2. 刪除 description 及其後內容
$block = preg_replace('/<\/div>[^<]*<div[^>]*id="description"[^>]*>.*<\/div>/is', '', $block);

// 3. 刪除 J_TBox 及其後內容（若存在）
$block = preg_replace('/<\/div>[^<]*<div[^>]*class="box J_TBox"[^>]*>.*<\/div>/is', '', $block);

$attributesHtml = $block; // 含完整屬性 HTML，可直接嵌入頁面或進一步解析
?>

原理：正則無法遞歸匹配任意深度巢狀標簽，但利用淘寶頁面「區塊順序固定」特性，通過多次 preg_replace 刪除後續區塊，反向保留目標區塊。

E. 獲取商品描述（核心難點：JS 異步渲染）

描述內容不在初始 HTML 中，由 JS 從淘寶 CDN 異步加載。解決方案：注入原頁面所有 JS + 必需 DOM 容器，讓瀏覽器自動執行加載邏輯。

<?php
// 1. 提取頁面所有 <script> 標簽
preg_match_all('/<script[^>]*>.*?<\/script>/is', $html, $m);
$scripts = $m[0];

// 2. 構建描述加載必需 DOM 結構
$descContainer = '<div id="detail"></div>
<div id="description">
    <div id="J_DivItemDesc">描述加載中</div>
</div>';

// 3. 合併 JS + 容器（轉碼至 UTF-8）
$description = $descContainer;
foreach ($scripts as $js) {
    $description .= iconv('GBK', 'UTF-8//IGNORE', $js);
}

// 4. 前端頁面直接輸出 $description，瀏覽器自動執行 JS 渲染描述
// 注意：同頁多商品描述會衝突（ID 重複），需 iframe 隔離或單商品頁使用
?>

完整采集腳本框架

<?php
function fetchTaobaoItem($itemId) {
    $url = "https://item.taobao.com/item.htm?id=$itemId";
    $html = @file_get_contents($url);
    if (!$html) return ['error' => 'HTTP 請求失敗'];
    
    $data = ['item_id' => $itemId];
    
    // 主圖
    preg_match('/<img[^>]*id="J_ImgBooth"[^>]*src=["\']([^"\']+)["\']/i', $html, $m);
    $data['image'] = $m[1] ?? '';
    
    // 標題
    preg_match('/<title>([^<>]+)<\/title>/i', $html, $m);
    $data['title'] = iconv('GBK', 'UTF-8//IGNORE', $m[1] ?? '');
    
    // 價格
    preg_match('/<[a-z]+[^>]*id="J_StrPrice"[^>]*>([^<]+)<\/[a-z]+>/is', $html, $m);
    $data['price'] = floatval($m[1] ?? 0);
    
    // 屬性（HTML 片段）
    preg_match('/<div[^>]*class="attributes"[^>]*>.*<\/div>/is', $html, $m);
    $attr = $m[0] ?? '';
    $attr = preg_replace('/<\/div>[^<]*<div[^>]*id="description"[^>]*>.*<\/div>/is', '', $attr);
    $attr = preg_replace('/<\/div>[^<]*<div[^>]*class="box J_TBox"[^>]*>.*<\/div>/is', '', $attr);
    $data['attributes_html'] = iconv('GBK', 'UTF-8//IGNORE', $attr);
    
    // 描述加載器
    preg_match_all('/<script[^>]*>.*?<\/script>/is', $html, $m);
    $desc = '<div id="detail"></div><div id="description"><div id="J_DivItemDesc">加載中...</div></div>';
    foreach ($m[0] as $js) $desc .= iconv('GBK', 'UTF-8//IGNORE', $js);
    $data['description_loader'] = $desc;
    
    return $data;
}
?>

反采集應對與合規建議

總結

正則采集淘寶公開頁面可行性高、成本低，關鍵技巧在於：利用固定 ID 定位、GBK 轉 UTF-8、JS 注入解決異步描述、區塊順序切片提取巢狀結構。生產環境請務必加入代理、限流、告警、合規審查模塊。