共计 5119 个字符，预计需要花费 13 分钟才能阅读完成。
快递轨迹管理
对于一个快递公司，在全国范围内有着大量的快递点、快递员、运输车辆以及仓储中心。而快递自产生后，就会在这些地点、人物之间流转。因而，一套完善的快递管理追踪系统是快递公司的重要管理工具；
用户通过平台客户端下单后，产生唯一的快递单号作为唯一身份标识。快递除了订单号，还会有很多属性信息，如：邮寄人、邮寄人手机、邮寄人地址、收件人、快递类型等信息。生成快递订单后，用户的邮寄物品才会成为“快递”。快递公司配合扫码机器，将快递的流转事件、地点、时间等信息不定期推送至系统。快递流转信息不仅可以是简单的量化数据，也可以是描述性文字、地理位置等特殊信息。系统将流转信息记录成快递的监控数据，同时修改快递状态、实时位置等。直至快递送达收件人手中，结束快递生命周期。
通过系统，用户可以管理自己的历史邮寄单列表、收件列表，掌握自己邮寄中的快递轨迹。快递公司也可以查询、修改快递信息、追踪快递时效，并借助海量轨迹监控数据，掌握快递产生、收件的高频路线，在高频位置铺设更多的基础设施、转移调度快递员；
功能需求
面向用户：
1、用户在线下单生成快递单，等候快递员上门取件；2、管理历史订单列表，了解快递明细；3、追踪特定快递周转状态、运送轨迹；
面向平台：
1、借助扫码器，实现快递周转事件采集、存储；2、统计、查询所有快递订单，实现全订单的管理：CRUD；3、掌握所有邮寄中快递的实时位置；4、掌握任意一个订单的周转状态、运送轨迹；5、基于历史快递数据，分析快递时效；6、方便掌握高频地域、路线，为增设基础设施、快递员提供依据；等等 …
系统样例，如下所示：官网控制台地址：项目样例
实现方案
MySQL 方案与难点
通常，用户会选用 MySQL 作为方案数据库，因为 MySQL 作为数库在查询、分析等功能上有优势，用户创建两个表：订单表、事件追踪表实现对快递数据的存储。
但是快递场景有几个强需求：第一、需要有强大的查询、统计能力，实现快递单的管理；第二、对于海量快递，有着高并发写入需求，对写入性能要求较高; 第三、数据持续膨胀，但历史快递订单、事件数据多为冷数据，存储成本需要尽可能低；第四、数据未来挖掘潜在价值较高，需要有较好的计算生态；
而 MySQL 方案在面对第二、第三个强需求时，劣势凸显，海量并发、不断的数据膨胀、存储成本高一直以来都是关系型数据库的痛点；
表格存储方案
选择表格存储有以下优势：
其一、表格存储的多元索引（SearchIndex）功能轻松满足用户的多维查询、GEO 检索、统计等功能需求；其二、基于 LSM tree 打造的分布式 NoSQL 数据库，轻松支持海量高并发读、写，零运维轻松应对数据量的不断膨胀，理论上无上限。其三、表格存储按量计费，提供容量型、高性能型两种实例，容量型对冷数据更适宜，提供了更低存储成本。其四、更重要的，表格存储拥有较为完善的计算生态，提供全、增量通道服务，提供流计算、批计算一体的计算体系，对未来监控数据价值挖掘提供渠道。
表格存储在时序场景需求的技术点上拥有极高的匹配，而基于时序场景打造的 Timestream 模型更是将时序场景通用功能，封装成易用的场景接口，使用户更容易的基于表格存储，根据自身需求设计、打造不同特点的轨迹追踪系统；
数据结构设计
基于快递的时序，将快递的属性信息作为 meta 数据，而快递的周转路径、状态、位置等则为 data 数据，下面对两类数据做简单介绍。
快递元数据
meta 数据管理着快递的属性信息，支持指标、标签、属性、地理位置、更新时间等参数，模型会为所有属性创建相应的索引，提供多维度条件组合查询（包含 GEO 查询）。其中 Identifier 是时间线的标识，包含两部分：name 部分（监控指标标识）、tags 部分（固有不可变参数集合）。
在快递场景中，用户通常是基于快递单号直接定位快递，因而 tags 使用空的。而属性信息则存储快递的邮寄人信息、收件人信息、邮寄起 / 止地址等，location 字段，用于最新位置追踪，可不定期根据产生新的状态周转数据时更新。
快递轨迹数据
data 数据记录着快递的状态周转信息，主要为量化数据、地理位置、文字表述等任意类型。data 数据按照 + 有序排列，因而同一快递的所有数据物理上存在一起，且基于时间有序。这种数据存储方式，极大的提升了时间线的查询效率。对应到快递轨迹，监控数据主要记录了：【who】do【something】@【where】with the location【geo】以及联系方式等。
读写接口使用介绍
写数据
写接口根据数据类型分为两类：meta 写入（新增快递）、data 写入（快递周转数据）
新增快递：当用户通过系统直接下快递单后，产生唯一订单号，加上用户填写的快递单信息组成必要的凯迪数据。此时，就会生成一个时间线，产生一个 meta 数据；
快递周转：当快递发生取件、运输周转、派送、取件是，产生的状态转变数据时，就会产生一条追踪数据，通过 data 数据的写接口不定期的写入；
读数据
与写数据一样，针对两类数据提供了两类读接口：meta 读取（快递查询）、data 读取（查询快递轨迹）
查询快递：根据快递号、寄件人手机、收件人手机等信息，获取对应快递的列表，掌握所有快递的最新动态；
查询快递轨迹：基于单个 meta 的 Identifier，获取该快递从产生到结束整个生命周期内的轨迹周转数据，可以通过列表、地图轨迹展示等方式，直观的了解快递的周转过程；
方案核心代码
SDK 与样例代码
SDK 使用：时序模型 Timestream 模型集成于表格存储的 SDK 中，目前已在 4.11.0 版本中支持；
<dependency>
<groupId>com.aliyun.openservices</groupId>
<artifactId>tablestore</artifactId>
<version>4.11.0</version>
</dependency>
代码开源：https://github.com/aliyun/tablestore-examples/tree/master/demos/MailManagement
建表准备
在创建完成实例后，用户需要通过时序模型的 sdk 创建相应的 meta 表（快递元数据）、data 表（快递周转数据）：
private void init() {
AsyncClient asyncClient = new AsyncClient(endpoint, accessKeyId, accessKeySecret, instance);
// 快递抽象 Timestream
TimestreamDBConfiguration mailConf = new TimestreamDBConfiguration(“metaTableName”);
mailDb = new TimestreamDBClient(asyncClient, mailConf);
}
public void createTable() {
mailDb.createMetaTable(Arrays.asList(// 自定义索引
new AttributeIndexSchema(“fromMobile”, AttributeIndexSchema.Type.KEYWORD),
new AttributeIndexSchema(“fromName”, AttributeIndexSchema.Type.KEYWORD),
new AttributeIndexSchema(“toMobile”, AttributeIndexSchema.Type.KEYWORD),
new AttributeIndexSchema(“toName”, AttributeIndexSchema.Type.KEYWORD),
new AttributeIndexSchema(“toLocation”, AttributeIndexSchema.Type.GEO_POINT)
)）;
mailDb.createDataTable(“dataTableName”);
}
写数据
数据写入主要分两部分，meta 表创建新快递、data 表采集快递周转信息
创建快递单（meta 表写入）
//metaWriter 对应 meta 表，提供读、写接口
TimestreamMetaTable mailMetaWriter = mailDb.metaTable();
//identifier 作为时间线的身份标识（unique），仅含：快递单号 ID，
TimestreamIdentifier identifier = new TimestreamIdentifier.Builder(“mail-id-001”)
.build();
// 基于 identifier 创建 meta 对象，并为 meta 设置更多属性，Attributes 为属性参数
TimestreamMeta meta = new TimestreamMeta(identifier)
.addAttribute(“fromName”, whos.get(Rand.nextInt(whos.size())))
.addAttribute(“fromMobile”, “15812345678”)
.addAttribute(“toName”, whos.get(Rand.nextInt(whos.size())))
.addAttribute(“toMobile”, “15812345678”)
.addAttribute(“toLocation”, “30,120”);
// 创建新的时间线，然后写入监控数据
mailMetaWriter.put(meta);
采集快递周转事件（data 表写入）
//dataWriter 分别对应 data 表，提供读、写接口
TimestreamDataTable mailDataWriter = mailDb.dataTable(“mailDataTableName”);
TimestreamMeta meta；//meta 上一步已经构建
// 创建新的时间线，然后写入监控数据
mailDataWriter.write(
meta.getIdentifier(),
new Point.Builder(14500000000, TimeUnit.MILLISECONDS)
.addField(“who”, “ 张三 ”)
.addField(“do”, “ 取件 ”)
.addField(“where”, “ 云栖小镇 ”)
.addField(“location”, “30,120”)
.build()
);
数据读取
数据读取分为两类：
快递订单多维查询（meta 表读取）
//reader 对应 meta 表，提供读、写接口，此处名字为突出读功能
TimestreamMetaTable metaReader = mailDb.metaTable();
// 构建筛选条件
Filter filter = AndFilter(
Name.equal(“mail-id-001”),
Attribute.equal(“fromMobile”, “15812345678”)
);
Iterator<TimestreamMeta> metaIterator = mailDb.metaTable()
.filter(filter)
.fetchAll();
while (iterator.hasNext()) {
TimestreamMeta meta = iterator.next();//deal with metas
}
快递轨迹追踪（data 表读取）
//dataWriter 分别对应 data 表，提供读、写接口
TimestreamDataTable dataReader = db.dataTable(“dataTableName”);
TimestreamMeta meta；// 基于已获取的 meta 列表，分别获取每个快递的轨迹追踪
Iterator<Point> dataIterator = mailDb.dataTable(mailDataTableName)
.get(meta.getIdentifier())
.fetchAll();
while (iterator.hasNext()) {
Point point = iterator.next();//deal with points
long timestamp = point.getTimestamp(TimeUnit.MILLISECONDS);// 毫秒单位时间戳
String location = point.getField(“location”).asString();// 获取该点 String 类型的位置信息
}
本文作者：潭潭阅读原文
本文为云栖社区原创内容，未经允许不得转载。
