数据不会无缘无故丢失    
    
    
，也不会莫名其妙增加

一    
    
    
、概述

1  


     


     


     、曾几何时  


     


     


     ，知了在一家小公司做项目的时候


 




 




 



，都是一个服务打天下   

   

   

，所以涉及到数据一致性的问题   

     

     

    ，都是直接用本地事务处理 
    
    
    
。

2


 




 




 



、随着时间的推移



  




  




  


，用户量增大了  


  


  


，发现一个Java服务扛不住了    
     
     
   ，于是技术大佬决定对于系统进行升级
     


     


     


。根据系统的业务对于单体的一个服务进行拆分




   




   




   

，然后对于开发人员也进行划分 



 



 



，一个开发人员只开发和维护一个或几个服务中的问题                 ，大家各司其职




    




    




    
，分工合作 




 




 




 。

3   

   

   

、当然服务拆分不是一蹴而就的















，这是一个耗时耗力的庞大工程                ，大多数系统都是进行多轮拆分 



     



     



     ，而后慢慢形成一个稳定的系统 

   

   

   
。遵守一个核心思想：先按总体业务进行一轮拆分
















，后面再根据拆分后的服务模块    
    
    
，进行一个细致的拆分
     

     

     

。 4   

     

     

    、随着服务拆分之后  


     


     


     ，用户量是抗住了


 




 




 



，但是发现数据都在不同的服务中存取   

   

   

，这就引出了一个新的问题：跨服务器   

     

     

    ，如何保证数据的一致性？

当然



  




  




  


，跨服务的分布式系统中不仅仅这个问题  


  


  


，还有其他的一些列问题    
     
     
   ，如：服务可用性



  




  




  


、服务容错性  


  


  


、服务间调用的网络问题等等




   




   




   

，这里只讨论数据一致性问题  




  




  




 。

5    
     
     
   、说到数据一致性 



 



 



，大致分为三种：强一致性




   




   




   

、弱一致性 



 



 



、最终一致性 


  


  


  
。 强一致性：数据一旦写入                 ，在任一时刻都能读取到最新的值
     
     
     
。 弱一致性：当写入一个数据的时候




    




    




    
，其他地方去读这些数据















，可能查到的数据不是最新的 最终一致性：它是弱一致性的一个变种                ，不追求系统任意时刻数据要达到一致 



     



     



     ，但是在一定时间后
















，数据最终要达到一致   




   




   




 。

从这三种一致型的模型上来说    
    
    
，我们可以看到  


     


     


     ，弱一致性和最终一致性一般来说是异步冗余的


 




 




 



，而强一致性是同步冗余的   

   

   

，异步处理带来了更好的性能   

     

     

    ，但也需要处理数据的补偿 



 



 



 
。同步意味着简单



  




  




  


，但也必然会降低系统的性能               。

二                 、理论

上述说的数据一致性问题  


  


  


，其实也就是在说分布式事务的问题    
     
     
   ，现在有一些解决方案




   




   




   

，相信大家多多少少都看到过 



 



 



，这里带大家回顾下
    




    




    




 。

2.1




    




    




    
、二阶段提交

2PC是一种强一致性设计方案                 ，通过引入一个事务协调器

来协调各个本地事务（也称为事务参与者）的提交和回滚















。

2PC主要分为2个阶段：

1















、第一阶段：事务协调器会向每个事务参与者发起一个开启事务的命令




    




    




    
，每个事务参与者执行准备操作















，然后再向事务协调器回复是否准备完成                。但是不会提交本地事务                ，

但是这个阶段资源是需要被锁住的
     



     



     



 。

2                、第二阶段：

事务协调器收到每个事务参与者的回复后 



     



     



     ，统计每个参与者的回复
















，如果每个参与者都回复“可以提交    
    
    
”    
    
    
，那么事务协调器会发送提交命令  


     


     


     ，参与者正式提交本地事务


 




 




 



，释放所有资源   

   

   

，结束全局事务














。但是有一个参与者回复“拒绝提交  


     


     


     ”   

     

     

    ，那么事务协调器发送回滚命令



  




  




  


，所有参与者都回滚本地事务  


  


  


，待全部回滚完成    
     
     
   ，释放资源




   




   




   

，取消全局事务 
    
    
    
。

事务提交流程

事务回滚流程

当然2PC存在的问题这里也提一下 



 



 



，一个是同步阻塞                 ，这个会消耗性能
     


     


     


。另一个是协调器故障问题




    




    




    
，一旦协调器发生故障















，那么所有的参与者处理资源锁定状态                ，那么所有参与者都会被阻塞 




 




 




 。

2.2 



     



     



     、三阶段提交

3PC主要是在2PC的基础上做了改进 



     



     



     ，主要为了解决2PC的阻塞问题 

   

   

   
。它主要是将2PC的第一阶段分为2个步骤
















，先准备    
    
    
，再锁定资源  


     


     


     ，并且引入了超时机制（这也意味着会造成数据不一致）
     

     

     

。3PC的三个阶段包括：CanCommit
















、PreCommit 和 DoCommit

具体细节就不展开赘述了


 




 




 



，就一个核心观点：在CanCommit的时候并不锁定资源   

   

   

，除非所有参与者都同意了   

     

     

    ，才开始锁资源  




  




  




 。

2.3    
    
    
、TCC柔性事务

相比较前面的2PC和3PC



  




  




  


，TCC和那哥俩的本质区别就是它是业务层面的分布式事务  


  


  


，而2PC和3PC是数据库层面的 


  


  


  
。TCC是三个单词的缩写：Try  


     


     


     、Confirm


 




 




 



、Cancel    
     
     
   ，也分为这三个流程
     
     
     
。

Try：尝试




   




   




   

，即尝试预留资源 



 



 



，锁定资源

Confirm：确认                 ，即执行预留的资源




    




    




    
，如果执行失败会重试

Cancel：取消















，撤销预留的资源                ，如果执行失败会重试

从上图可知 



     



     



     ，TCC对于业务的侵入是很大的
















，而且紧紧的耦合在一起   




   




   




 。TCC相比较2PC和3PC    
    
    
，试用范围更广  


     


     


     ，可实现跨库


 




 




 



，跨不同系统去实现分布式事务 



 



 



 
。缺点是要在业务代码中去开发大量的逻辑实现这三个步骤   

   

   

，需要和代码耦合在一起   

     

     

    ，提高开发成本               。

事务日志

：在TCC模式中



  




  




  


，事务发起者和事务参与者都会去记录事务日志（事务状态   

   

   

、信息等）
    




    




    




 。这个事务日志是整个分布式事务出现意外情况（宕机   

     

     

    、重启



  




  




  


、网络中断等）  


  


  


，实现提交和回滚的关键















。

幂等性

：在TCC第二阶段    
     
     
   ，confirm或者cancel的时候




   




   




   

，这两个操作都需要保证幂等性                。一旦由于网络等原因导致执行失败 



 



 



，就会发起不断重试
     



     



     



 。

防悬挂：由于网络的不可靠性                 ，有异常情况的时候




    




    




    
，try请求可能比cancel请求更晚到达














。cancel可能会执行空回滚















，但是try请求被执行的时候也不会预留资源 
    
    
    
。

2.4  


  


  


、Seata

关于seata这里就不多提了                ，用的最多的是AT模式 



     



     



     ，上回知了逐步分析过
















，配置完后只需要在事务发起的方法上添加@GlobalTransactional注解就可以开启全局事务    
    
    
，对于业务无侵入  


     


     


     ，低耦合
     


     


     


。感兴趣的话请参考之前讨论Seata的内容 




 




 




 。

三    
     
     
   、应用场景

知了之前在一家公司遇到过这样的业务场景；用户通过页面投保


 




 




 



，提交一笔订单过来   

   

   

，这个订单通过上游服务   

     

     

    ，处理保单相关的业务逻辑



  




  




  


，最后流入下游服务  


  


  


，处理业绩




   




   




   

、人员晋升 



 



 



、分润处理等等业务 

   

   

   
。对于这个场景    
     
     
   ，两边处理的业务逻辑不在同一个服务中




   




   




   

，接入的是不同的数据库
     

     

     

。涉及到数据一致性问题 



 



 



，需要用到分布式事务  




  




  




 。

对于上面介绍的几种方案                 ，只是讨论了理论和思路




    




    




    
，下面我来总结下这个业务场景中运用的一种实现方案 


  


  


  
。采用了本地消息表+MQ异步消息的方案实现了事务最终一致性















，也符合当时的业务场景                ，相对强一致性 



     



     



     ，实现的性能较高
     
     
     
。下面是该方案的思路图

真实业务处理的状态可能会有多种
















，因此需要明确哪种状态需要定时任务补偿 假如某条单据一直无法处理结束    
    
    
，定时任务也不能无限制下发  


     


     


     ，所以本地消息表需要增加轮次的概念


 




 




 



，重试多少次后告警   

   

   

，人工介入处理 因为MQ和定时任务的存在   

     

     

    ，难免会出现重复请求



  




  




  


，因此下游要做好幂等防重  


  


  


，否则会出现重复数据    
     
     
   ，导致数据不一致

对于落地实现




   




   




   

，话不多说 



 



 



，直接上代码   




   




   




 。先定义两张表tb_order和tb_notice_message                 ，分别存订单信息和本地事务信息

CREATE TABLE `tb_order` ( `id` int(11) NOT NULL AUTO_INCREMENT COMMENT 主键id, `user_id` int(11) NOT NULL COMMENT 下单人id, `order_no` varchar(255) CHARACTER SET latin1 NOT NULL COMMENT 订单编号, `insurance_amount` decimal(16,2) NOT NULL COMMENT 保额, `order_amount` decimal(16,2) DEFAULT NULL COMMENT 保费, `create_time` datetime DEFAULT NULL COMMENT 创建时间, `update_time` datetime DEFAULT NULL ON UPDATE CURRENT_TIMESTAMP COMMENT 更新时间, `is_delete` tinyint(4) DEFAULT 0 COMMENT 删除标识：0-不删除；1-删除, PRIMARY KEY (`id`) ) ENGINE=InnoDB AUTO_INCREMENT=0 DEFAULT CHARSET=utf8mb4; CREATE TABLE `tb_notice_message` ( `id` int(11) NOT NULL AUTO_INCREMENT COMMENT 主键id, `type` tinyint(4) NOT NULL COMMENT 业务类型：1-下单, `status` tinyint(4) NOT NULL DEFAULT 1 COMMENT 状态：1-待处理




    




    




    
，2-已处理















，3-预警, `data` varchar(255) NOT NULL COMMENT 信息, `retry_count` tinyint(4) DEFAULT 0 COMMENT 重试次数, `create_time` datetime NOT NULL COMMENT 创建时间, `update_time` datetime DEFAULT NULL ON UPDATE CURRENT_TIMESTAMP COMMENT 更新时间, `is_delete` tinyint(4) NOT NULL DEFAULT 0 COMMENT 删除标识：0-不删除；1-删除, PRIMARY KEY (`id`) ) ENGINE=InnoDB AUTO_INCREMENT=0 DEFAULT CHARSET=utf8mb4;

处理订单service                ，这里可以用到我们之前说过的装饰器模式 



     



     



     ，去装饰这个service 



 



 



 
。把保存本地事务
















，发送mq消息    
    
    
，交给装饰器类去做  


     


     


     ，而service只需要关心业务逻辑即可


 




 




 



，也符合开闭原则               。

/** * @author 往事如风 * @version 1.0 * @date 2022/12/13 10:58 * @description */ @Service @Slf4j @AllArgsConstructor public class OrderService implements BaseHandler<Object, Order> { private final OrderMapper orderMapper; /** * 订单处理方法：只处理订单关联逻辑 * @param o * @return */ @Override public Order handle(Object o) { // 订单信息 Order order = Order.builder() .orderNo("2345678") .createTime(LocalDateTime.now()) .userId(1) .insuranceAmount(new BigDecimal(2000000)) .orderAmount(new BigDecimal(5000)) .build(); orderMapper.insert(order); return order; } }

新增OrderService的装饰类OrderServiceDecorate   

   

   

，负责对订单逻辑的扩展   

     

     

    ，这里是添加本地事务消息



  




  




  


，以及发送MQ信息  


  


  


，扩展方法添加了Transactional注解    
     
     
   ，确保订单逻辑和本地事务消息的数据在同一个事务中进行




   




   




   

，确保原子性
    




    




    




 。其中事务消息标记处理中 



 



 



，待下游服务处理完业务逻辑                 ，再更新处理完成















。

/** * @author 往事如风 * @version 1.0 * @date 2022/12/14 18:48 * @description */ @Slf4j @AllArgsConstructor @Decorate(scene = SceneConstants.ORDER, type = DecorateConstants.CREATE_ORDER) public class OrderServiceDecorate extends AbstractHandler { private final NoticeMessageMapper noticeMessageMapper; private final RabbitTemplate rabbitTemplate; /** * 装饰方法：对订单处理逻辑进行扩展 * @param o * @return */ @Override @Transactional public Object handle(Object o) { // 调用service方法




    




    




    
，实现保单逻辑 Order order = (Order) service.handle(o); // 扩展：1                 、保存事务消息















，2




    




    




    
、发送MQ消息 // 本地事务消息 String data = "{\"orderNo\":\"2345678\", \"userId\":1, \"insuranceAmount\":2000000, \"orderAmount\":5000}"; NoticeMessage noticeMessage = NoticeMessage.builder() .retryCount(0) .data(data) .status(1) .type(1) .createTime(LocalDateTime.now()) .build(); noticeMessageMapper.insert(noticeMessage); // 发送mq消息 log.info("发送mq消息...."); rabbitTemplate.convertAndSend("trans", "trans.queue.key", JSONUtil.toJsonStr(noticeMessage)); return null; } }

关于这个装饰者模式                ，之前有讲到过 



     



     



     ，可以看下之前发布的内容                。

下游服务监听消息
















，处理完自己的业务逻辑后（如：业绩















、分润                、晋升等）    
    
    
，需要发送MQ  


     


     


     ，上游服务监听消息


 




 




 



，更新本地事务状态为已处理
     



     



     



 。这需要注意的是下游服务需要做幂等处理   

   

   

，防止异常情况下   

     

     

    ，上游服务数据的重试














。

/** * @author 往事如风 * @version 1.0 * @date 2022/12/13 18:07 * @description */ @Component @Slf4j @RabbitListener(queues = "trans.queue") public class FenRunListener { @Autowired private RabbitTemplate rabbitTemplate; @RabbitHandler public void orderHandler(String msg) { log.info("监听到订单消息:{}", msg); // 需要注意幂等



  




  




  


，幂等逻辑 log.info("下游服务业务逻辑 
    
    
    
。
     


     


     


。 




 




 




 。 

   

   

   
。
     

     

     

。"); JSONObject json = JSONUtil.parseObj(msg); rabbitTemplate.convertAndSend("trans", "trans.update.order.queue.key", json.getInt("id")); } }

这里插个题外话  


  


  


，关于幂等的处理    
     
     
   ，我这里大致有两种思路

1 



     



     



     、比如根据订单号查一下记录是否存在




   




   




   

，存在就直接返回成功  




  




  




 。

2
















、redis存一个唯一的请求号 



 



 



，处理完再删除                 ，不存在请求号的直接返回成功




    




    




    
，可以写个AOP去处理















，与业务隔离 


  


  


  
。

言归正传                ，上游服务消息监听 



     



     



     ，下游发送MQ消息
















，更新本地事务消息为已处理    
    
    
，分布式事务流程结束
     
     
     
。 /** * @author 往事如风 * @version 1.0 * @date 2022/12/13 18:29 * @description */ @Component @Slf4j @RabbitListener(queues = "trans.update.order.queue") public class OrderListener { @Autowired private NoticeMessageMapper noticeMessageMapper; @RabbitHandler public void updateOrder(Integer msgId) { log.info("监听消息  


     


     


     ，更新本地事务消息


 




 




 



，消息id:{}", msgId); NoticeMessage msg = NoticeMessage.builder().status(2).id(msgId).updateTime(LocalDateTime.now()).build(); noticeMessageMapper.updateById(msg); } }

存在异常情况时   

   

   

，会通过定时任务   

     

     

    ，轮询的往MQ中发送消息



  




  




  


，尽最大努力去让下游服务达到数据一致  


  


  


，当然重试也要设置上限；若达到上限以后还一直是失败    
     
     
   ，那不得不考虑是下游服务自身存在问题了（有可能就是代码逻辑存在问题）   




   




   




 。

/** * @author 往事如风 * @version 1.0 * @date 2022/12/14 10:25 * @description */ @Configuration @EnableScheduling @AllArgsConstructor @Slf4j public class RetryOrderJob { private final RabbitTemplate rabbitTemplate; private final NoticeMessageMapper noticeMessageMapper; /** * 最大自动重试次数 */ private final Integer MAX_RETRY_COUNT = 5; @Scheduled(cron = "0/20 * * * * ? ") public void retry() { log.info("定时任务




   




   




   

，重试异常订单"); LambdaQueryWrapper<NoticeMessage> wrapper = Wrappers.lambdaQuery(NoticeMessage.class); wrapper.eq(NoticeMessage::getStatus, 1); List<NoticeMessage> noticeMessages = noticeMessageMapper.selectList(wrapper); for (NoticeMessage noticeMessage : noticeMessages) { // 重新发送mq消息 rabbitTemplate.convertAndSend("trans", "trans.queue.key", JSONUtil.toJsonStr(noticeMessage)); // 重试次数+1 noticeMessage.setRetryCount(noticeMessage.getRetryCount() + 1); noticeMessageMapper.updateById(noticeMessage); // 判断重试次数 



 



 



，等于最长限制次数                 ，直接更新为报警状态 if (MAX_RETRY_COUNT.equals(noticeMessage.getRetryCount())) { noticeMessage.setStatus(3); noticeMessageMapper.updateById(noticeMessage); // 发送告警




    




    




    
，通知对应人员 // 告警逻辑（短信    
    
    
、邮件  


     


     


     、企微群















，等等）.... } } } }

其实这里有个问题                ，一个上游服务对应多个下游服务的时候 



 



 



 
。这个时候往往不能存一条本地消息记录               。

这里可以在消息表多加个字段next_server_count 



     



     



     ，表示一个订单发起方
















，需要调用的下游服务数量
    




    




    




 。上游服务监听的时候    
    
    
，每次会与下游的回调都减去1  


     


     


     ，直到数值是0的时候


 




 




 



，再更新状态是已处理















。但是要控制并发   

   

   

，这个字段是被多个下游服务共享的                。 还有一种处理方案是为每个下游服务   

     

     

    ，都记录一条事务消息



  




  




  


，用type字段去区分  


  


  


，标记类型
     



     



     



 。实现上游和下游对于事务消息的一对一关系














。 最后    
     
     
   ，达到最大重试次数以后




   




   




   

，可以将消息加入到一个告警列表 



 



 



，这个告警列表可以展示在管理后台或其他监控系统中                 ，展示一些必要的信息




    




    




    
，去供公司内部人员去人工介入















，处理这种异常的数据                ，使得数据达到最终一致性 
    
    
    
。

四


 




 




 



、总结

其实分布式事务没有一个完美的处理方案 



     



     



     ，只能说是尽量去满足业务需求
















，满足数据一致
     


     


     


。如果程序不能处理了    
    
    
，最后由人工去兜底  


     


     


     ，做数据的补偿方案 




 




 




 。

五   

   

   

、参考源码

编程文档： https://gitee.com/cicadasmile/butte-java-note 应用仓库： https://gitee.com/cicadasmile/butte-flyer-parent