订单系统就该这么设计(万能通用),稳的一批!
订单,业务的核心模块
一、背景简介
订单业务一直都是系统研发中的核心模块,订单的产生过程,与系统中的很多模块都会高度关联,比如账户体系、支付中心、运营管理等,即便单看订单本身,也足够的复杂;
业务在发展的过程中,必然会导致订单量的持续增加,订单自身、数据体量、实现流程,都需要不断的迭代更新,如果在订单流程的研发初期,没有相对全面的考量,那么很有可能导致中后期的重构;
从实践经验上说,围绕订单业务:建议过度设计,轻量级分步实现;
在产品初期先做好全面的设计,场景和流程上做好可扩展性的保留,在数据层面规划好不同体量的应对方案,走在订单业务的前面避免被动,尽量不要被业务的发展和演变甩在身后;
二、订单业务
1、订单体系
订单体系从角色上看,主要涉及:用户、商户、平台三个核心参与方,其订单流程的搭建就是围绕三方的交易场景展开;
这里需要说明一些细节:商户可以是第三方商家,也可以是平台方自己,不影响概念上的划分;商品也存在多种形式,所以用交付来描述,可以覆盖物流的定义;
用户:通过应用端,进行商品的选择和下单;平台:实现订单交易链路和支付能力,以及对整个流程的调度;商户:提供商品和交付能力;
在图中,只是围绕订单体系做一个框架性的宽泛描述,在成熟的订单业务中,其复杂程度远超上图,下面围绕核心节点来细致分析;
2、流程管理
2.1 流程拆分
订单的业务属性是极高的,流程本身也比较复杂,从不同的参与方来看,其流程分段策略完全不一样,这里仅站位研发视角,把订单逻辑分为:创建、支付、交付三个阶段;
订单创建:围绕用户的下单路径做管理,从商品的访问点击并选中,到购车下单或者直接下单,从而完成订单的创建;
订单支付:各种支付渠道的对接是交易场景的基础功能,订单的核心状态即支付成功;
订单交付:在订单支付完成之后,开始进行商品的交付流程,可能是商家的发货或者服务提供,交付成功即订单完成;
如果将整个订单场景统筹起来看的话,还存在很多隐性的流程,与订单衔接的上下游业务还有很多,这里只是专注于订单功能自身的边界做划分;
2.2 正向流程
在理想的状态下,订单从购物车结算下单开始,到交易支付完成,最终到商家完成交付,是非常复杂的流程链路;
在实现上,订单的正向流程链路都是分段管理的,比如购物车、订单创建之后、支付完成、交付等诸多关键节点,并不是一个即时的流程;
2.3 逆向流程
对于订单这种极度复杂的流程,导致订单流程逆向的情况,要细致的考虑并且提供相应的解决方案,尽量确保程序可以兜底流程逆向,人工干预的成本和风险都极高;
超时情况:订单创建后,指定时间内没有支付;订单支付后,指定时间内商家没有交付等多个超时场景;
取消动作:用户主动取消订单,发起退款流程等;商户因为交付失败,主动发起流程退回等动作;
节点异常:系统平台的在订单调度时的业务异常,或者程序异常,又或者支付等第三方渠道异常等;
这些常见的异常问题,在一般的场景下可能不会引发效应问题,对于订单这种异步解耦的复杂场景中,需要一个稳定的机制快速执行逆向流程;比如下单后未支付导致持续锁定库存,或者交付超时影响用户体验等;
2.4 调度与监控
订单属于核心流程又兼具复杂的特性,自然依赖系统平台的调度与监控手段,无论是正向还是逆向流程,都依赖调度手段提高订单的完成率,或者促使逆向流程有序执行,在这个过程中需要对订单路径有完整的监控能力;
调度机制:更侧重订单被动状态的处理,多见于各种超时的场景,用来提前对用户和商户进行消息提醒触达,或者进行订单流程的处理;
监控策略:更侧重对订单的主动干预处理,在发现订单中断或者异常时,可以通过产品层面的入口进行主动修复,或者系统层面的主动重试,当然也不排除最后的手动干预;
3、结构设计
围绕订单场景,涉及的数据结构非常复杂,不论是商品还是支付,亦或是订单自身的结构,在具体的业务中都会拓展出很多关联表;
订单结构的设计和管理,基于场景复杂度考虑,可能要融合商家、仓储货架、用户、渠道和类型等;在订单量增长之后,还需要结合业务场景,进行数据体量层面的拆分处理;
三、技术方案
1、订单ID
订单主体的唯一ID标识,在数据体量不大的情况下,使用表的自增ID主键即可,从长期看的话并不友好,如果订单量比较大,可能涉及分库分表的流程,则需要制定ID生成策略;
UUID:生成唯一字符串识别码,订单ID直接使用即可;
雪花算法:分布式ID生成算法策略,生成的ID遵循时间的顺序;
自定义ID:除了唯一的属性外,在订单ID中添加其他的关键业务标识;
2、并行与异步
并行操作,在订单详情的加载过程中,涉及到的查询信息非常多,比如:商品、商户、订单、用户等,可以通过并行的方式,提高响应的时间,如果采用串行的方式,则接口性能会差很多;
异步操作,订单是个复杂的流程,显然不可能在一次流程中完成所有逻辑,流程分段异步常规手段,就是借助MQ消息的方式,同样可以极大的提升服务性能;不论是订单的正逆向流程,都可以基于状态、事件、动作进行异步解耦处理;
3、超时问题
订单超时问题的本质在于,指定时间段之后需要执行一个动作;比如最经典的场景,下单之后超过15||30
分钟未支付,订单自动取消并且被关闭,释放商品的库存,并通知用户;
实现一个动作延迟执行的方式有很多,比如延期队列,过期监听,消息延时消费等,不过这些方式在复杂的订单系统中并不常见,主流的话还是采用定时任务调度的方式;
任务调度时,对订单的处理,同样要确保业务流程操作的幂等性,数据层面的一致性等问题,如果出现异常单则进行重试,分析异常原因不断优化流程也同样重要;
如果订单体量大,任务调度能完成吗?
订单体量和订单实时量不是一个概念,系统沉淀的订单量和任务要处理的量不是一个等级,常规的数据体量做好分库分表的设计和查询优化即可,不会成为调度任务的瓶颈问题;
如果订单数据实时体量大,比如每天超千万的水平?
这就更不是应用的问题了,订单体量能达到每日千万的规模,公司会提前很长时间就把数据团队拉到应用团队中,解决这种核心的棘手问题,此前在数据公司搬砖时,每日单量刚过百万,就安排数据团队做解决方案了;
4、分布式事务
订单涉及支付对接、库存管理、结算对账等各种复杂的流程,自然对数据一致性有极高的要求,如果数据层面出现问题导致异常单出现,难免需要人工介入处理,所以对流程的各阶段做好细致的事务和逻辑管理极其重要;
订单流程是异步解耦的方式推进的,在分布式事务的策略上追求的是最终结果一致性即可,不过这并不妨碍在分段的流程中,进行局部的事务管理,事务成功,流程正向推进,事务失败,流程重试或逆向回滚;
四、数据方案
1、转化分析
经典的订单指标体系,用户下单过程的路径统计,从而深度的分析转化率问题,不断的对流程和场景优化,从而提高成交量;
交易的转化路径分析,是产品和运营重点关注的指标体系,在数据层面,埋点采集的数据通常是上传第三方平台,方便进行用户和业务分析,并且有助于同类客群的营销推广;
2、分库分表
数据在到达一定体量之后,需要进行分库分表的操作,从而解决各种性能方面的问题;将订单数据按照特定的维度进行计算,从而将数据分流到不同的库表中,解决读和写的瓶颈;
基于订单ID计算拆分的逻辑是最常见的,在特殊情况下,也会基于用户ID或商户ID进行计算,从而将相关的数据堆放在一起,如果有必要,也可以考虑多维度拆分的多写模式;
3、数据同步
订单数据分库分表虽然解决存储问题,但是也带来了很多查询方面的阻碍,通过搜索引擎来解决查询问题也是常用的技术选型;
订单数据在库和搜索引擎之间同步的方法有很多:同步双写,对数据的实时性要求极高;异步解耦,流程存在轻微的延迟;定时任务,存在明显的时效问题;组件同步,采用第三方数据同步组件;订单场景的话推荐同步双写的方式。
- 感谢你赐予我前进的力量