訂單中心，是網際網路業務中，一個典型的“多key”業務，即：使用者ID，商家ID，訂單ID等多個key上都有業務查詢需求。

隨著資料量的逐步增大，併發量的逐步增大，訂單中心這種“多key”業務，架構應該如何設計，有哪些因素需要考慮，是本文將要系統性討論的問題。

什麼是“多key”類業務？

所謂的“多key”，是指一條後設資料中，有多個屬性上存在前臺線上查詢需求。

訂單中心是什麼業務，有什麼典型業務需求？

訂單中心是一個非常常見的“多key”業務，主要提供訂單的查詢與修改的服務，其核心後設資料為：

Order(oid, buyer_uid, seller_uid, time, money, detail…);

其中：

（1）oid為訂單ID，主鍵；

（2）buyer_uid為買家uid；

（3）seller_uid為賣家uid；

（4）time, money, detail, …等為訂單屬性；

資料庫設計上，一般來說在業務初期，單庫，配合查詢欄位上的索引，就能滿足後設資料儲存與查詢需求。

（1）order-center：訂單中心服務，對呼叫者提供友好的RPC介面；

（2）order-db：對訂單進行資料儲存，並在訂單，買家，賣家等欄位建立索引；

隨著訂單量的越來越大，資料庫需要進行水平切分，由於存在多個key上的查詢需求，用哪個欄位進行切分呢？

（1）如果用oid來切分，buyer_uid和seller_uid上的查詢則需要遍歷多庫；

（2）如果用buyer_uid或seller_uid來切分，其他屬性上的查詢則需要遍歷多庫；

總之，很難有一個萬全之策，在展開技術方案之前，先一起梳理梳理查詢需求。

任何脫離業務需求的架構設計，都是耍流氓。

訂單中心，典型業務查詢需求有哪些？

第一類，前臺訪問，最典型的有三類需求：

（1）訂單實體查詢：透過oid查詢訂單實體，90%流量屬於這類需求；

（2）使用者訂單列表查詢：透過buyer_uid分頁查詢使用者歷史訂單列表，9%流量屬於這類需求；

（3）商家訂單列表查詢：透過seller_uid分頁查詢商家歷史訂單列表，1%流量屬於這類需求；

前臺訪問的特點是什麼呢？

吞吐量大，服務要求高可用，使用者對訂單的訪問一致性要求高，商家對訂單的訪問一致性要求相對較低，可以接受一定時間的延時。

第二類，後臺訪問，根據產品、運營需求，訪問模式各異：

（1）按照時間，價格，商品，詳情來進行查詢；

後臺訪問的特點是什麼呢？

運營側的查詢基本上是批次分頁的查詢，由於是內部系統，訪問量很低，對可用性的要求不高，對一致性的要求也沒這麼嚴格，允許秒級甚至十秒級別的查詢延時。

這兩類不同的業務需求，應該使用什麼樣的架構方案來解決呢？

要點一：前臺與後臺分離的架構設計。

如果前臺業務和後臺業務共用一批服務和一個資料庫，有可能導致，由於後臺的“少數幾個請求”的“批次查詢”的“低效”訪問，導致資料庫的cpu偶爾瞬時100%，影響前臺正常使用者的訪問（例如，訂單查詢超時）。

前臺與後臺訪問的查詢需求不同，對系統的要求也不一樣，故應該兩者解耦，實施“前臺與後臺分離”的架構設計。

前臺業務架構不變，站點訪問，服務分層，資料庫水平切分。

後臺業務需求則抽取獨立的web/service/db來支援，解除系統之間的耦合，對於“業務複雜”“併發量低”“無需高可用”“能接受一定延時”的後臺業務：

（1）可以去掉service層，在運營後臺web層透過dao直接訪問資料層；

（2）可以不需要反向代理，不需要叢集冗餘；

（3）可以透過MQ或者線下非同步同步資料，犧牲一些資料的實時性；

（4）可以使用更契合大量資料允許接受更高延時的“索引外接”或者“HIVE”的設計方案；

關於前臺與後臺分離的架構設計，在《使用者中心，1億資料架構，這次服了》一文中有更為細緻的分析，便不再展開。

解決完了後臺業務的訪問需求，那前臺的oid，buyer_uid，seller_uid如何來進行資料庫水平切分呢？

要點二：多個維度的查詢較為複雜，對於複雜系統設計，應該逐個擊破。

假設沒有seller_uid，應該如何擊破oid和buyer_uid的查詢需求？

訂單中心，假設只有oid和buyer_uid上的查詢需求，就蛻化為一個“1對多”的業務場景，對於“1對多”的業務，水平切分應該使用“基因法”。

要點三：基因法，是解決“1對多”業務，資料庫水平切分的常見方案。

什麼是分庫基因？

透過buyer_uid分庫，假設分為16個庫，採用buyer_uid%16的方式來進行資料庫路由，所謂的模16，其本質是buyer_uid的最後4個bit決定這行資料落在哪個庫上，這4個bit，就是分庫基因。

什麼是基因法分庫？

在訂單資料oid生成時，oid末端加入分庫基因，讓同一個buyer_uid下的所有訂單都含有相同基因，落在同一個分庫上。

如上圖所示，buyer_uid=666的使用者下了一個訂單：

（1）使用buyer_uid%16分庫，決定這行資料要插入到哪個庫中；

（2）分庫基因是buyer_uid的最後4個bit，即1010；

（3）在生成訂單標識oid時，先使用一種分散式ID生成演算法生成前60bit（上圖中綠色部分）；

（4）將分庫基因加入到oid的最後4個bit（上圖中粉色部分），拼裝成最終64bit的訂單oid（上圖中藍色部分）；

透過這種方法保證，同一個使用者下的所有訂單oid，都落在同一個庫上，oid的最後4個bit都相同，於是：

（1）透過buyer_uid%16能夠定位到庫；

（2）透過oid%16也能定位到庫；

關於“一對多”業務，以及“基因法”，在《帖子中心，1億資料架構，這次服了》一文中有更為細緻的分析，便不再展開。

假設沒有oid，應該如何擊破buyer_uid和seller_uid的查詢需求？

訂單中心，假設只有buyer_uid和seller_uid上的查詢需求，就蛻化為一個“多對多”的業務場景，對於“多對多”的業務，水平切分應該使用“資料冗餘法”。

如上圖所示：

（1）當有訂單生成時，透過buyer_uid分庫，oid中融入分庫基因，寫入DB-buyer庫；

（2）透過線下非同步的方式，透過binlog+canal，將資料冗餘到DB-seller庫中；

（3）buyer庫透過buyer_uid分庫，seller庫透過seller_uid分庫，前者滿足oid和buyer_uid的查詢需求，後者滿足seller_uid的查詢需求；

資料冗餘的方法有很多種：

（1）服務同步雙寫；

（2）服務非同步雙寫；

（3）線下非同步雙寫（上圖所示，是線下非同步雙寫）；

要點四：資料冗餘，是解決“多對多”業務，資料庫水平切分的常見方案。

不管哪種方案，因為兩步操作不能保證原子性，總有出現資料不一致的可能，高吞吐分散式事務是業內尚未解決的難題，此時的架構方向，是最終一致性，並不是完全保證資料的一致，而是儘早的發現不一致，並修復不一致。

要點五：最終一致性，是高吞吐網際網路業務一致性的常用實踐。

保證冗餘資料最終一致的常見方案有三種：

（1）冗餘資料全量定時掃描；

（2）冗餘資料增量日誌掃描；

（3）冗餘資料線上訊息實時檢測；

關於“多對多”業務，資料冗餘多種方案，資料冗餘保證最終一致性多種方案，在《好友中心，1億資料架構，這次服了》一文中有更為細緻的分析，便不再展開。

那如果oid/buyer_uid/seller_uid同時存在呢？

綜合上面的解決方案即可：

（1）如果沒有seller_uid，“多key”業務會蛻化為“1對多”業務，此時應該使用“基因法”分庫：使用buyer_uid分庫，在oid中加入分庫基因；

（2）如果沒有oid，“多key”業務會蛻化為“多對多”業務，此時應該使用“資料冗餘法”分庫：使用buyer_uid和seller_uid來分別分庫，冗餘資料，滿足不同屬性上的查詢需求；

（3）如果oid/buyer_uid/seller_uid同時存在，可以使用上述兩種方案的綜合方案，來解決“多key”業務的資料庫水平切分難題；

要點總結

一：前後臺差異化需求，可使用前臺與後臺分離的架構設計；

二：對於複雜系統設計，應該逐個擊破；

三：基因法，是解決“1對多”業務，資料庫水平切分的常見方案；

四：資料冗餘，是解決“多對多”業務，資料庫水平切分的常見方案；

五：最終一致性，是高吞吐網際網路業務一致性的常用實踐。

訂單中心，1億資料架構，這次服了

相關文章