订单中心，1亿数据架构，这次服了

这篇文章主要介绍“订单中心，1亿数据架构，这次服了”，在日常操作中，相信很多人在订单中心，1亿数据架构，这次服了问题上存在疑惑，小编查阅了各式资料，整理出简单好用的操作方法，希望对大家解答”订单中心，1亿数据架构，这次服了”的疑惑有所帮助！接下来，请跟着小编一起来学习吧！

订单中心，是互联网业务中，一个典型的“多key”业务，即：用户ID，商家ID，订单ID等多个key上都有业务查询需求。

随着数据量的逐步增大，并发量的逐步增大，订单中心这种“多key”业务，架构应该如何设计，有哪些因素需要考虑，是本文将要系统性讨论的问题。

什么是“多key”类业务?

所谓的“多key”，是指一条元数据中，有多个属性上存在前台在线查询需求。

订单中心是什么业务，有什么典型业务需求?

订单中心是一个非常常见的“多key”业务，主要提供订单的查询与修改的服务，其核心元数据为：

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

其中：

• oid为订单ID，主键;

• buyer_uid为买家uid;

• seller_uid为卖家uid;

• time,  money, detail, …等为订单属性;

数据库设计上，一般来说在业务初期，单库，配合查询字段上的索引，就能满足元数据存储与查询需求。

• order-center：订单中心服务，对调用者提供友好的RPC接口;

• order-db：对订单进行数据存储，并在订单，买家，卖家等字段建立索引;

随着订单量的越来越大，数据库需要进行水平切分，由于存在多个key上的查询需求，用哪个字段进行切分呢?

• 如果用oid来切分，buyer_uid和seller_uid上的查询则需要遍历多库;

• 如果用buyer_uid或seller_uid来切分，其他属性上的查询则需要遍历多库;

总之，很难有一个万全之策，在展开技术方案之前，先一起梳理梳理查询需求。

任何脱离业务需求的架构设计，都是耍流氓。

订单中心，典型业务查询需求有哪些?

第一类，前台访问，最典型的有三类需求：

• 订单实体查询：通过oid查询订单实体，90%流量属于这类需求;

• 用户订单列表查询：通过buyer_uid分页查询用户历史订单列表，9%流量属于这类需求;

• 商家订单列表查询：通过seller_uid分页查询商家历史订单列表，1%流量属于这类需求;

前台访问的特点是什么呢?

吞吐量大，服务要求高可用，用户对订单的访问一致性要求高，商家对订单的访问一致性要求相对较低，可以接受一定时间的延时。

第二类，后台访问，根据产品、运营需求，访问模式各异：

按照时间，价格，商品，详情来进行查询;

后台访问的特点是什么呢?

运营侧的查询基本上是批量分页的查询，由于是内部系统，访问量很低，对可用性的要求不高，对一致性的要求也没这么严格，允许秒级甚至十秒级别的查询延时。

这两类不同的业务需求，应该使用什么样的架构方案来解决呢?

要点一：前台与后台分离的架构设计。

如果前台业务和后台业务共用一批服务和一个数据库，有可能导致，由于后台的“少数几个请求”的“批量查询”的“低效”访问，导致数据库的cpu偶尔瞬时100%，影响前台正常用户的访问(例如，订单查询超时)。

前台与后台访问的查询需求不同，对系统的要求也不一样，故应该两者解耦，实施“前台与后台分离”的架构设计。

前台业务架构不变，站点访问，服务分层，数据库水平切分。

后台业务需求则抽取独立的web/service/db来支持，解除系统之间的耦合，对于“业务复杂”“并发量低”“无需高可用”“能接受一定延时”的后台业务：

• 可以去掉service层，在运营后台web层通过dao直接访问数据层;

• 可以不需要反向代理，不需要集群冗余;

• 可以通过MQ或者线下异步同步数据，牺牲一些数据的实时性;

• 可以使用更契合大量数据允许接受更高延时的“索引外置”或者“HIVE”的设计方案;

解决完了后台业务的访问需求，那前台的oid，buyer_uid，seller_uid如何来进行数据库水平切分呢?

要点二：多个维度的查询较为复杂，对于复杂系统设计，应该逐个击破。

假设没有seller_uid，应该如何击破oid和buyer_uid的查询需求?订单中心，假设只有oid和buyer_uid上的查询需求，就蜕化为一个“1对多”的业务场景，对于“1对多”的业务，水平切分应该使用“基因法”。

要点三：基因法，是解决“1对多”业务，数据库水平切分的常见方案。

什么是分库基因?

通过buyer_uid分库，假设分为16个库，采用buyer_uid%16的方式来进行数据库路由，所谓的模16，其本质是buyer_uid的最后4个bit决定这行数据落在哪个库上，这4个bit，就是分库基因。

什么是基因法分库?

在订单数据oid生成时，oid末端加入分库基因，让同一个buyer_uid下的所有订单都含有相同基因，落在同一个分库上。

如上图所示，buyer_uid=666的用户下了一个订单：

• 使用buyer_uid%16分库，决定这行数据要插入到哪个库中;

• 分库基因是buyer_uid的最后4个bit，即1010;

• 在生成订单标识oid时，先使用一种分布式ID生成算法生成前60bit(上图中绿色部分);

• 将分库基因加入到oid的最后4个bit(上图中粉色部分)，拼装成最终64bit的订单oid(上图中蓝色部分);

通过这种方法保证，同一个用户下的所有订单oid，都落在同一个库上，oid的最后4个bit都相同，于是：

• 通过buyer_uid%16能够定位到库;

• 通过oid%16也能定位到库;

假设没有oid，应该如何击破buyer_uid和seller_uid的查询需求?订单中心，假设只有buyer_uid和seller_uid上的查询需求，就蜕化为一个“多对多”的业务场景，对于“多对多”的业务，水平切分应该使用“数据冗余法”。

如上图所示：

• 当有订单生成时，通过buyer_uid分库，oid中融入分库基因，写入DB-buyer库;

• 通过线下异步的方式，通过binlog+canal，将数据冗余到DB-seller库中;

• buyer库通过buyer_uid分库，seller库通过seller_uid分库，前者满足oid和buyer_uid的查询需求，后者满足seller_uid的查询需求;

数据冗余的方法有很多种：

• 服务同步双写;

• 服务异步双写;

• 线下异步双写(上图所示，是线下异步双写);

要点四：数据冗余，是解决“多对多”业务，数据库水平切分的常见方案。

不管哪种方案，因为两步操作不能保证原子性，总有出现数据不一致的可能，高吞吐分布式事务是业内尚未解决的难题，此时的架构方向，是最终一致性，并不是完全保证数据的一致，而是尽早的发现不一致，并修复不一致。

要点五：最终一致性，是高吞吐互联网业务一致性的常用实践。

保证冗余数据最终一致的常见方案有三种：

• 冗余数据全量定时扫描;

• 冗余数据增量日志扫描;

• 冗余数据线上消息实时检测;

那如果oid/buyer_uid/seller_uid同时存在呢?

综合上面的解决方案即可：

• 如果没有seller_uid，“多key”业务会蜕化为“1对多”业务，此时应该使用“基因法”分库：使用buyer_uid分库，在oid中加入分库基因;

• 如果没有oid，“多key”业务会蜕化为“多对多”业务，此时应该使用“数据冗余法”分库：使用buyer_uid和seller_uid来分别分库，冗余数据，满足不同属性上的查询需求;

• 如果oid/buyer_uid/seller_uid同时存在，可以使用上述两种方案的综合方案，来解决“多key”业务的数据库水平切分难题;

要点总结

• 前后台差异化需求，可使用前台与后台分离的架构设计;

• 对于复杂系统设计，应该逐个击破;

• 基因法，是解决“1对多”业务，数据库水平切分的常见方案;

• 数据冗余，是解决“多对多”业务，数据库水平切分的常见方案;

• 最终一致性，是高吞吐互联网业务一致性的常用实践。

【本文为51CTO专栏作者“58沈剑”原创稿件，转载请联系原作者】

戳这里，看该作者更多好文

到此，关于“订单中心，1亿数据架构，这次服了”的学习就结束了，希望能够解决大家的疑惑。理论与实践的搭配能更好的帮助大家学习，快去试试吧！若想继续学习更多相关知识，请继续关注亿速云网站，小编会继续努力为大家带来更多实用的文章！