在前几篇的文章中，咱们花了很大的篇幅介绍如何利用缓存优化零碎的读性能，究其原因在于咱们的产品大多是一个读多写少的场景，尤其是在产品的初期，可能少数的用户只是过去查看商品，真正下单的用户非常少。但随着业务的倒退，咱们就会遇到一些高并发写申请的场景，秒杀抢购就是最典型的高并发写场景。在秒杀抢购开始后用户就会疯狂的刷新页面让本人尽早的看到商品，所以秒杀场景同时也是高并发读场景。那么应答高并发读写场景咱们怎么进行优化呢？

解决热点数据

秒杀的数据通常都是热点数据，解决热点数据个别有几种思路：一是优化，二是限度，三是隔离。

优化

优化热点数据最无效的方法就是缓存热点数据，咱们能够把热点数据缓存到内存缓存中。

限度

限度更多的是一种爱护机制，当秒杀开始后用户就会一直地刷新页面获取数据，这时候咱们能够限度单用户的申请次数，比方一秒钟只能申请一次，超过限度间接返回谬误，返回的谬误尽量对用户敌对，比方 "店小二正在忙" 等敌对提醒。

隔离

秒杀零碎设计的第一个准则就是将这种热点数据隔离进去，不要让1%的申请影响到另外的99%，隔离进去后也更不便对这1%的申请做针对性的优化。具体到实现上，咱们须要做服务隔离，即秒杀性能独立为一个服务，告诉要做数据隔离，秒杀所调用的大部分是热点数据，咱们须要应用独自的Redis集群和独自的Mysql，目标也是不想让1%的数据有机会影响99%的数据。

流量削峰

针对秒杀场景，它的特点是在秒杀开始那一刹那霎时涌入大量的申请，这就会导致一个特地高的流量峰值。但最终可能抢到商品的人数是固定的，也就是不论是100人还是10000000人发动申请的后果都是一样的，并发度越高，有效的申请也就越多。然而从业务角度来说，秒杀流动是心愿有更多的人来参加的，也就是秒杀开始的时候心愿有更多的人来刷新页面，然而真正开始下单时，申请并不是越多越好。因而咱们能够设计一些规定，让并发申请更多的延缓，甚至能够过滤掉一些有效的申请。

削峰实质上是要更多的延缓用户申请的收回，以便缩小和过滤掉一些有效的申请，它听从申请数要尽量少的准则。咱们最容易想到的解决方案是用音讯队列来缓冲刹时的流量，把同步的间接调用转换成异步的间接推送，两头通过一个队列在一端承接刹时的流量洪峰，在另一端平滑的将音讯推送进来，如下图所示：

采纳音讯队列异步解决后，那么秒杀的后果是不太好同步返回的，所以咱们的思路是当用户发动秒杀申请后，同步返回响应用户 "秒杀后果正在计算中..." 的提示信息，当计算完之后咱们如何返回后果给用户呢？其实也是有多种计划的。

  • 一是在页面中采纳轮询的形式定时被动去服务端查问后果，例如每秒申请一次服务端看看有没有处理结果，这种形式的毛病是服务端的申请数会减少不少。
  • 二是被动push的形式，这种就要求服务端和客户端放弃长连贯了，服务端解决完申请后被动push给客户端，这种形式的毛病是服务端的连接数会比拟多。

还有一个问题就是如果异步的申请失败了该怎么办？我感觉对于秒杀场景来说，失败了就间接抛弃就好了，最坏的后果就是这个用户没有抢到而已。如果想要尽量的保障偏心的话，那么失败了当前也能够做重试。

如何保障音讯只被生产一次

kafka是可能保障"At Least Once"的机制的，即音讯不会失落，但有可能会导致反复生产，音讯一旦被反复生产那么就会造成业务逻辑解决的谬误，那么咱们如何防止音讯的反复生产呢？

咱们只有保障即便生产到了反复的音讯，从生产的最终后果来看和只生产一次的后果等同就好了，也就是保障在音讯的生产和生产的过程是幂等的。什么是幂等呢？如果咱们生产一条音讯的时候，要给现有的库存数量减1，那么如果生产两条雷同的音讯就给库存的数量减2，这就不是幂等的。而如果生产一条音讯后处理逻辑是将库存的数量设置为0，或者是如果以后库存的数量为10时则减1，这样在生产多条音讯时所失去的后果就是雷同的，这就是幂等的。说白了就是一件事无论你做多少次和做一次产生的后果都是一样的，那么这就是幂等性。

咱们能够在音讯被生产后，把惟一id存储在数据库中，这里的惟一id能够应用用户id和商品id的组合，在解决下一条音讯之前先从数据库中查问这个id看是否被生产过，如果生产过就放弃。伪代码如下：

isConsume := getByID(id)if isConsume {  return  } process(message)save(id)

还有一种形式是通过数据库中的惟一索引来保障幂等性，不过这个要看具体的业务，在这里不再赘述。

代码实现

整个秒杀流程图如下：

应用kafka作为音讯队列，所以要先在本地装置kafka，我应用的是mac能够用homebrew间接装置，kafka依赖zookeeper也会主动装置

brew install kafka

装置完后通过brew services start启动zookeeper和kafka，kafka默认侦听在9092端口

brew services start zookeeperbrew services start kafka

seckill-rpc的SeckillOrder办法实现秒杀逻辑，咱们先限度用户的申请次数，比方限度用户每秒只能申请一次，这里应用go-zero提供的PeriodLimit性能实现，如果超出限度间接返回

code, _ := l.limiter.Take(strconv.FormatInt(in.UserId, 10))if code == limit.OverQuota {  return nil, status.Errorf(codes.OutOfRange, "Number of requests exceeded the limit")}

接着查看以后抢购商品的库存，如果库存有余就间接返回，如果库存足够的话则认为能够进入下单流程，发消息到kafka，这里kafka应用go-zero提供的kq库，非常简单易用，为秒杀新建一个Topic，配置初始化和逻辑如下：

Kafka:  Addrs:    - 127.0.0.1:9092  SeckillTopic: seckill-topic
KafkaPusher: kq.NewPusher(c.Kafka.Addrs, c.Kafka.SeckillTopic)
p, err := l.svcCtx.ProductRPC.Product(l.ctx, &product.ProductItemRequest{ProductId: in.ProductId})if err != nil {  return nil, err}if p.Stock <= 0 {  return nil, status.Errorf(codes.OutOfRange, "Insufficient stock")}kd, err := json.Marshal(&KafkaData{Uid: in.UserId, Pid: in.ProductId})if err != nil {  return nil, err}if err := l.svcCtx.KafkaPusher.Push(string(kd)); err != nil {  return nil, err}

seckill-rmq生产seckill-rpc生产的数据进行下单操作，咱们新建seckill-rmq服务，构造如下：

tree ./rmq./rmq├── etc│   └── seckill.yaml├── internal│   ├── config│   │   └── config.go│   └── service│       └── service.go└── seckill.go4 directories, 4 files

仍然是应用kq初始化启动服务，这里咱们须要注册一个ConsumeHand办法，该办法用以生产kafka数据

srv := service.NewService(c)queue := kq.MustNewQueue(c.Kafka, kq.WithHandle(srv.Consume))defer queue.Stop()fmt.Println("seckill started!!!")queue.Start()

在Consume办法中，生产到数据后先反序列化，而后调用product-rpc查看以后商品的库存，如果库存足够的话咱们认为能够下单，调用order-rpc进行创立订单操作，最初再更新库存

func (s *Service) Consume(_ string, value string) error {  logx.Infof("Consume value: %s\n", value)  var data KafkaData  if err := json.Unmarshal([]byte(value), &data); err != nil {    return err  }  p, err := s.ProductRPC.Product(context.Background(), &product.ProductItemRequest{ProductId: data.Pid})  if err != nil {    return err  }  if p.Stock <= 0 {    return nil  }  _, err = s.OrderRPC.CreateOrder(context.Background(), &order.CreateOrderRequest{Uid: data.Uid, Pid: data.Pid})  if err != nil {    logx.Errorf("CreateOrder uid: %d pid: %d error: %v", data.Uid, data.Pid, err)    return err  }  _, err = s.ProductRPC.UpdateProductStock(context.Background(), &product.UpdateProductStockRequest{ProductId: data.Pid, Num: 1})  if err != nil {    logx.Errorf("UpdateProductStock uid: %d pid: %d error: %v", data.Uid, data.Pid, err)    return err  }  // TODO notify user of successful order placement  return nil}

在创立订单过程中波及到两张表orders和orderitem，所以咱们要应用本地事务进行插入，代码如下：

func (m *customOrdersModel) CreateOrder(ctx context.Context, oid string, uid, pid int64) error {  _, err := m.ExecCtx(ctx, func(ctx context.Context, conn sqlx.SqlConn) (sql.Result, error) {    err := conn.TransactCtx(ctx, func(ctx context.Context, session sqlx.Session) error {      _, err := session.ExecCtx(ctx, "INSERT INTO orders(id, userid) VALUES(?,?)", oid, uid)      if err != nil {        return err      }      _, err = session.ExecCtx(ctx, "INSERT INTO orderitem(orderid, userid, proid) VALUES(?,?,?)", "", uid, pid)      return err    })    return nil, err  })  return err}

订单号生成逻辑如下，这里应用工夫加上自增数进行订单生成

var num int64func genOrderID(t time.Time) string {  s := t.Format("20060102150405")  m := t.UnixNano()/1e6 - t.UnixNano()/1e9*1e3  ms := sup(m, 3)  p := os.Getpid() % 1000  ps := sup(int64(p), 3)  i := atomic.AddInt64(&num, 1)  r := i % 10000  rs := sup(r, 4)  n := fmt.Sprintf("%s%s%s%s", s, ms, ps, rs)  return n}func sup(i int64, n int) string {  m := fmt.Sprintf("%d", i)  for len(m) < n {    m = fmt.Sprintf("0%s", m)  }  return m}

最初别离启动product-rpc、order-rpc、seckill-rpc和seckill-rmq服务还有zookeeper、kafka、mysql和redis，启动后咱们调用seckill-rpc进行秒杀下单

grpcurl -plaintext -d '{"user_id": 111, "product_id": 10}' 127.0.0.1:9889 seckill.Seckill.SeckillOrder

在seckill-rmq中打印了生产记录，输入如下

{"@timestamp":"2022-06-26T10:11:42.997+08:00","caller":"service/service.go:35","content":"Consume value: {\"uid\":111,\"pid\":10}\n","level":"info"}

这个时候查看orders表中曾经创立了订单，同时商品库存减一

结束语

实质上秒杀是一个高并发读和高并发写的场景，下面咱们介绍了秒杀的注意事项以及优化点，咱们这个秒杀场景相对来说比较简单，但其实也没有一个通用的秒杀的框架，咱们须要依据理论的业务场景进行优化，不同量级的申请优化的伎俩也不尽相同。这里咱们只展现了服务端的相干优化，但对于秒杀场景来说整个申请链路都是须要优化的，比方对于静态数据咱们能够应用CDN做减速，为了避免流量洪峰咱们能够在前端设置答题性能等等。

心愿本篇文章对你有所帮忙，谢谢。

每周一、周四更新

代码仓库: https://github.com/zhoushuguang/lebron

我的项目地址

https://github.com/zeromicro/go-zero

欢送应用 go-zero 并 star 反对咱们！

微信交换群

关注『微服务实际』公众号并点击 交换群 获取社区群二维码。