电商商品模型设计：SPU与SKU的核心原理与实践-代码聚汇网

电商商品模型设计：SPU与SKU的核心原理与实践

要上进的柯同学·2026-08-19·阅读 21 GEO检测（免费）

电商系统商品模型SPU

|难度：普通|阅读约 14 分钟

1. 电商商品模型的本质与核心挑战

在电商系统开发中，商品模型（Product Model）的设计质量直接决定了整个平台的扩展性和稳定性。我经历过三个从零搭建的电商项目，最深刻的教训就是：前期对商品模型的轻视，后期需要付出5-10倍的重构代价。

商品模型的核心矛盾在于：前端展示需要灵活多变（比如服装要展示颜色、尺码，图书要展示ISBN、出版社），而后端库存和交易需要精确到最小粒度。这个矛盾催生了SPU（Standard Product Unit）和SKU（Stock Keeping Unit）的经典设计模式。

关键认知：SPU是面向用户的商品聚合，SKU是面向库存的最小单元。比如iPhone 15是一个SPU，而"iPhone 15 128GB 黑色"才是一个SKU。

需要模型API调用？免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。

2. SPU设计：商品信息的抽象与复用

2.1 SPU的元数据结构设计

SPU本质是同一类商品的抽象模板。在数据库设计中，我推荐采用"主表+扩展表"的方案：

sql复制CREATE TABLE spu (
  id BIGINT PRIMARY KEY,
  name VARCHAR(100) NOT NULL,
  category_id INT NOT NULL,
  brand_id INT,
  base_price DECIMAL(10,2),
  status TINYINT DEFAULT 1,
  created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP
);

CREATE TABLE spu_attributes (
  spu_id BIGINT,
  attr_key VARCHAR(50),
  attr_value TEXT,
  PRIMARY KEY (spu_id, attr_key)
);

这种设计的优势在于：

主表存储核心业务字段，保证查询效率
扩展表用键值对存储动态属性，适应不同类目需求
通过category_id关联类目体系，实现差异化字段管理

2.2 类目与属性的动态绑定

在实际项目中，服装类SPU需要管理颜色、尺码等属性，而家电类SPU则需要关注功率、能效等级。我们的解决方案是类目属性体系：

建立类目树形结构（category表）
每个类目绑定一组属性定义（attribute表）
SPU创建时继承所属类目的属性模板

mermaid复制graph TD
    A[类目体系] --> B(服装)
    A --> C(家电)
    B --> D[颜色]
    B --> E[尺码]
    C --> F[功率]
    C --> G[能效等级]

踩坑提醒：属性值应该统一用字符串存储，避免早期类型固化。我们曾将尺码设为ENUM类型，结果海外扩展时需要支持UK/US/EU等多套标准，导致惨烈的数据迁移。

3. SKU设计：库存与交易的最小单元

3.1 SKU与规格（Spec）的关系

SKU是SPU的具象化实例，通过规格组合唯一确定。以手机为例：

SPU：iPhone 15
规格组：颜色（黑/白/蓝）、存储（128GB/256GB）
SKU：iPhone15-黑-128GB（对应唯一条形码）

在数据库设计中，需要建立多对多关联：

sql复制CREATE TABLE sku (
  id BIGINT PRIMARY KEY,
  spu_id BIGINT NOT NULL,
  sku_code VARCHAR(50) UNIQUE,
  price DECIMAL(10,2),
  stock INT DEFAULT 0,
  INDEX idx_spu_id (spu_id)
);

CREATE TABLE sku_spec (
  sku_id BIGINT,
  spec_key VARCHAR(50),
  spec_value VARCHAR(100),
  PRIMARY KEY (sku_id, spec_key)
);

3.2 库存管理的特殊处理

SKU层需要处理几个核心问题：

真实库存：需要原子操作的库存字段

sql复制UPDATE sku SET stock = stock - 1 WHERE id = ? AND stock >= 1

预售库存：单独字段管理，避免超卖
仓库分片：大型电商需要分库分表，按sku_id哈希分布

我们在2020年大促时曾因库存超卖损失惨重，最终通过Redis+Lua实现分布式扣减：

lua复制local key = KEYS[1]
local change = tonumber(ARGV[1])
local stock = tonumber(redis.call('GET', key))
if stock >= change then
  return redis.call('INCRBY', key, -change)
else
  return -1
end

4. 电商场景下的特殊模式

4.1 组合商品（Bundle）的实现

像"电脑整机+显示器套餐"这类组合商品，需要在模型层特殊处理：

建立virtual_spu表标记组合商品
用mapping表记录包含的实体SPU/SKU
价格计算采用"组合价"或"累加价"策略

java复制public class BundleProduct {
  private Long virtualSpuId;
  private List<BundleItem> items;
  
  public BigDecimal calculatePrice() {
    return items.stream()
       .map(item -> item.getFinalPrice())
       .reduce(BigDecimal.ZERO, BigDecimal::add)
       .multiply(discountRate);
  }
}

4.2 国际化扩展方案

跨境电商项目需要处理：

多语言属性（spu_i18n表）
地区限定SKU（通过region_code字段过滤）
关税计算规则（关联HS编码）

我们在东南亚项目中使用如下结构：

sql复制CREATE TABLE spu_i18n (
  spu_id BIGINT,
  lang_code CHAR(2),
  name VARCHAR(200),
  description TEXT,
  PRIMARY KEY (spu_id, lang_code)
);

5. 性能优化实战经验

5.1 商品详情页的缓存策略

商品页是电商流量最大的页面之一，我们的三级缓存方案：

CDN缓存：静态化SPU基础信息（TTL 10分钟）
Redis缓存：
- 热点SKU用hash结构存储
- 设置本地缓存防止缓存穿透
JVM缓存：Guava Cache存储价格等关键字段

java复制// 伪代码示例
public SkuInfo getSku(Long skuId) {
  // 1. 查本地缓存
  SkuInfo local = localCache.getIfPresent(skuId);
  if (local != null) return local;
  
  // 2. 查Redis
  String redisKey = "sku:" + skuId;
  Map<String,String> redisData = redis.hgetAll(redisKey);
  if (!redisData.isEmpty()) {
    SkuInfo sku = deserialize(redisData);
    localCache.put(skuId, sku);
    return sku;
  }
  
  // 3. 查数据库并回填
  SkuInfo dbData = skuMapper.selectById(skuId);
  redis.hmset(redisKey, serialize(dbData));
  redis.expire(redisKey, 30, MINUTES);
  return dbData;
}

5.2 商品搜索的索引设计

对于Elasticsearch索引，建议采用嵌套文档结构：

json复制{
  "mappings": {
    "properties": {
      "spu_id": {"type": "keyword"},
      "spu_name": {"type": "text", "analyzer": "ik_max_word"},
      "category_ids": {"type": "keyword"},
      "specs": {
        "type": "nested",
        "properties": {
          "key": {"type": "keyword"},
          "value": {"type": "keyword"}
        }
      }
    }
  }
}

查询时使用bool组合查询：

json复制{
  "query": {
    "bool": {
      "must": [
        {"match": {"spu_name": "手机"}},
        {"nested": {
          "path": "specs",
          "query": {
            "bool": {
              "must": [
                {"term": {"specs.key": "颜色"}},
                {"term": {"specs.value": "黑色"}}
              ]
            }
          }
        }}
      ]
    }
  }
}

6. 现代电商的新挑战

6.1 直播电商的实时库存

直播场景下的"秒杀"需求带来新挑战：

采用Redis Cluster分片承载高QPS
库存预扣机制（15分钟未支付自动释放）
本地库存+分布式锁保证一致性

我们自研的库存服务架构：

code复制[客户端] -> [API网关] -> [库存服务] 
                          /      \
                    [Redis集群] [MySQL集群]

6.2 AI驱动的商品管理

新一代系统开始引入：

自动SPU归类（NLP识别商品标题）
智能SKU生成（图像识别颜色/款式）
动态定价模型（基于供需预测）

比如使用TensorFlow实现颜色分类：

python复制def extract_color(image_path):
    model = load_model('color_classifier.h5')
    img = preprocess(image_path)
    pred = model.predict(img)
    return COLOR_MAP[np.argmax(pred)]

商品模型设计是电商系统的基石，随着业务复杂度的提升，需要持续迭代优化。我在实际项目中总结的经验是：前期预留20%的扩展空间，建立完善的版本迁移机制，才能应对快速变化的商业需求。