淘宝商品违规预检工具的实现思路：OCR + 关键词规则就够用

为什么做这个我做淘宝几年最怕的不是没流量是某天打开后台发现链接被下架、店铺被扣分。翻来翻去才发现问题出在一张自己都没细看过的商品图上。朋友问我你不可能人工一张张看图吧说真的店一多图一多人眼根本盯不过来。于是周末时间撸了个工具——智检卫士本质就三步扫图识字、比规则、标风险。纯前端实现没有云端依赖单机就能跑对淘宝卖家特别友好。下面把这套实现思路讲一下只讲设计不念代码。总体架构商品链接 → 下载主图/详情图 → OCR 识别 → 关键词规则比对 → 风险点标注 → 报告导出每一块都对应一个具体问题步骤解决的问题下载主图/详情图卖家一次丢进来几十上百个链接OCR 识别把图里的文字扫出来不靠肉眼关键词规则比对跟上平台规则风向风险点标注命中位置直接在原图标红报告导出逐条可改导出体检报告三个核心模块1. 图像 OCR智能识别扫图不靠 AIOCR 引擎用了现成的开源方案PaddleOCR 无须联网支持中英文混合、表格、竖排文字。这里不需要任何大模型也不用任何 AI 标签——用通用 OCR 规则比对已经够用只要识别准确率在 95% 以上剩下 5% 漏网交给人工复核即可。OCR 引擎以独立 exe 形式运行主程序通过 stdin/stdout 与之通信避免内存爆炸。早期版本有个坑stdin 关闭时进程挂死Errno 22后来加了 EOF 显式处理才稳。2. 关键词规则库实施上分三层基础词库厂家/工厂/品牌词等公认违规词 ↓ 动态词库拉取平台最新公告词条 ↓ 用户自定义词库卖家自己店铺的差异化禁忌词之所以要分三层是因为平台规则风向变得太快——你上周背熟的合规写法这周可能就进了风险名单。借助云端词库实现用户无感更新本地兜底词库保证离线可用。3. 风险点标注OCR 识别出文字后结果里包含 (text, bbox, confidence)。命中规则时直接把原图复制一份、用矩形把 bbox 区域标红再叠加到详情上。这样卖家一眼看出哪张图、哪个位置、命中了哪条规则。为了避免任何 AI 机制描述嫌疑这里统一叫智能识别扫图识字不贴任何 AI 标签。一点伪代码# OCR → 关键词比对 → 标注伪代码示意defscan_image(img_path,rules):textsocr_engine.recognize(img_path)# [(text, bbox, conf), ...]hits[]fortext,bbox,confintexts:ifconf0.6:continueforruleinrules:ifrule.match(text):hits.append({bbox:bbox,rule:rule.name,text:text})breakreturnannotate(img_path,hits)伪代码不展示具体词条规则细节严重词 N、严重词 (N1)这种具体词条详见软件。几个真踩过的坑图片下载 404商品链接失效是常事单独记录失败清单不阻塞主流程。OCR 速度瓶颈单核 OCR 跑 5-7 张/秒加了多进程队列才把整体扫描压到分钟级。硬编码路径最早开发机上写死了D:/xxx后来用户装到 E 盘就崩。所有路径必须走os.tmpdir()或app.getPath(userData)不让任何目录路径写死在代码里。一句话总结淘宝商品违规预检这套场景OCR 关键词规则 标注这套纯前端的方案已经被验证可行不需要复杂的模型。如果你是做电商工具的可以参考这条路。如果你也是淘宝卖家可以直接试一下智检卫士——粘贴商品链接自动智能识别、扫图、比对规则、出报告。