新手答分布式事务只会说 Seata,高手按场景选型。mall4cloud 一个项目里同时用了四种方案,每种都对应「为什么不用别的」的取舍——这才是架构能力。
前置阅读:17.3 盘过 Seata 与 TCC 的方案谱系。这篇看 mall4cloud 怎么按场景混搭。
| 场景 | 方案 | 为什么 |
|---|---|---|
| 下单 + 锁库存 | Seata AT | 强一致,跨服务自动回滚 |
| 支付成功通知订单/库存 | RocketMQ 普通消息 + 幂等 | 最终一致,吞吐高 |
| 订单超时未支付取消 | RocketMQ 延时消息 | 避免定时任务扫表 |
| 库存防超卖 | 数据库乐观锁 | 最简单最可靠 |
AT 模式(Auto Transaction,Seata 自动补偿型分布式事务,靠 undo_log 反向 SQL 回滚)的下单入口:
@Transactional(rollbackFor = Exception.class) // 本地事务
@GlobalTransactional(rollbackFor = Exception.class) // 全局事务
public List<Long> submit(Long userId, OrderMergerVO vo) {
saveOrder(userId, vo); // 分支1:本地订单 + Feign 清购物车
stockClient.lock(skuStockLocks); // 分支2:商品服务锁库存
cancelTemplate.syncSend(...); // 发延时消息(超时取消)
}
铁证是每个业务库都有 undo_log 表:分支事务提交前,把修改前后的数据镜像写进 undo_log;全局回滚时 TC(事务协调者)指挥各 RM 用镜像生成反向 SQL 补偿。XID(全局事务 id)通过 SeataRequestInterceptor 塞进 Feign header 透传到下游。
全局事务的粘合剂是 XID,它要跟着每一次 Feign 调用走:
入口服务开启全局事务,拿到 XID
→ SeataRequestInterceptor 拦截 Feign 请求,header 塞入 XID
→ 下游服务的过滤器取出 XID,绑定到自己的事务上下文
→ 下游的分支事务由此注册进同一个全局事务
没有这条透传链,订单和库存各自为政,回滚时库存分支不知道跟谁回滚。分布式事务框架的隐形工作量,一大半在「上下文怎么跨进程」——Seata 传 XID、链路追踪传 traceId,骨架同款。
一张 undo_log 记录:分支事务 id、表名、修改前镜像(before image)、修改后镜像(after image)。回滚拿 before image 生成反向 SQL——UPDATE 反向回 UPDATE,INSERT 反向回 DELETE。
两阶段时序:一阶段分支本地事务直接提交(不等全局),同时写 undo_log 上报 TC——AT 性能好的根源在这;二阶段全部成功就异步删 undo_log,任一失败才用镜像补偿。提交路径零同步开销,回滚路径才付代价。
一阶段提交前,RM 要向 TC 申请全局锁(表加主键维度):同一行若有别的全局事务在改就得等。这保证回滚时镜像还对得上——不然别人改过这行,反向 SQL 一执行就把人家的修改冲掉。
这也解释了 AT 的隔离短板:默认读未提交(一阶段已提交的改动全局可见),要读已提交得用 @GlobalLock 配合 SELECT FOR UPDATE——有得必有舍。
为什么下单用 AT 不用 TCC?AT 对业务零侵入(一个注解),TCC 每个参与者要写 Try/Confirm/Cancel 三个方法。下单是低频强一致场景,AT 的性能损耗可接受。
TCC 并非不如 AT,而是贵在别处:Try 预留资源、Confirm 确认、Cancel 释放,三个方法都要处理空回滚、悬挂、幂等三类边界——每一个都是生产事故的常客。资金类核心链路值得付这个开发成本换精细控制,普通电商下单不值得。
<update id="reduceStock">
update sku_stock
set stock = stock - #{count}, lock_stock = lock_stock + #{count}
where sku_id = #{skuId} and #{count} <= stock
</update>
关键在 WHERE 条件:count <= stock 不满足时影响行数为 0,代码里 < 1 就抛异常回滚。没有用 Redis 分布式锁——InnoDB 行锁 + WHERE 条件天然原子,少一个依赖少一种故障。
库存模型是三段式:实际库存 = stock + lockStock(下单锁定、支付扣减、取消回滚),配合状态机流转。
下单 → 发延时消息 level 16(30 分钟)→ 到点消费者取消未支付订单 → 发消息解锁库存
锁库存 → 发延时消息 level 17(1 小时)→ 兜底:防 Seata 回滚后锁记录残留
两条延时消息双保险:任何一条链路失败,另一条兜住,库存不会永久锁定。对比「定时任务扫表」:延时消息到点精确触发,不扫全表,不用部署额外调度。
「双保险」再往深一层想:为什么敢用两条弱保证叠出强结果?因为两条链路的故障模式不相交——一条依赖订单服务的消息链路,一条依赖锁库存的回滚链路,同时挂的概率极小。用概率工程替代绝对保证,比追求单链路完美更务实。
支付回调 → paySuccess
→ syncSend(order-notify) // 发不出抛异常,本地事务回滚
→ 消费者A:更新订单状态
→ syncSend(order-notify-stock)
→ 消费者B:扣实际库存
没用事务消息,靠三层兜底:发送方「发不出就抛异常」+ 消费方幂等 + 支付平台多次回调。面试官追问「为什么不用事务消息」——事务消息要维护半消息状态和回查接口,这套链路的吞吐和简单性更划算。这是工程折中,不是偷懒。
链式消息还有个容易被忽略的好处:每一跳都是独立的消费组、独立的消费进度。订单状态更新那跳卡住了,扣库存那跳照常消费;某一跳失败重试,不会把整条链拖回去重放。把长流程拆成接力赛,每一棒独立可观测、可独立重跑——排障时看一眼各消费组的积压指标,就知道卡在哪一跳。
UPDATE `order` SET status = 4 WHERE order_id = ? AND is_payed = 0
UPDATE `order` SET status = 5 WHERE order_id = ? AND status = 3
状态流转条件写进 WHERE——重复消费时第二次 UPDATE 影响行数为 0,天然幂等,不需要额外的幂等表。
举两个项目里的真实签名:取消订单带 where is_payed = 0(已支付的取消不掉),确认收货带 where status = 3(没到「已发货」状态收不了货)。每个状态流转都是一条带前置条件的 UPDATE,状态机不是文档里的图,是 WHERE 子句本身。
「项目里分布式事务怎么做的?」——答:按场景选型——强一致下单用 Seata AT(undo_log 反向补偿、XID 透传);最终一致支付通知用普通消息+幂等+回调兜底;超时取消用延时消息双保险;防超卖用数据库乐观锁。然后主动讲不足:没用事务消息有极小概率丢通知,可以加对账任务。
一句话总结:没有万能方案,按「一致性要求 × 吞吐要求 × 侵入成本」三轴选型。