基于TableStore的亿级订单管理解决方案

订单系统存在于各行各业，如电商订单、银行流水、运营商话费账单等，是一个非常广泛、通用的系统。对于这类系统，在过去十几年发展中已经形成了经典的做法。但是随着互联网的发展，以及各企业对数据的重视，需要存储和持久化的订单量越来越大。数据的重视程度与数据规模的膨胀带来了新的挑战。

某电商平台A，需要进行持久化所有平台产生的订单数据。同时，基于所有的订单数据，系统又需要向外提供面向多种角色：消费者、店家、平台三类人群的多元化的查询服务。消费者可以查询自己的历史订单，商家可以统计热销产品，平台也可以分析用户行为、平台交易规模等。主要查询方式涵盖订单的多维度检索，以及订单数据的分析、统计等，例如：

面向消费者：【A消费者】*【近1年】*【卖出电脑】订单查询；

面向售货员：【B售货员】*【近1个月】销售订单；

……

在订单场景中，技术上通常需要考虑的技术点，主要包含如下几个方面：

查询能力：需要具备丰富的查询类型，如多维度、范围、模糊查询等，同时具备排序、统计等功能；

数据量：存储海量数据的同时，满足强一致、高可用、低成本等要求；

服务性能：应对高并发请求高并发的同时，保证低延迟；

实现多维、实时查询功能，是订单管理解决方案的核心功能，官网控制台地址：

项目样例

cdn.com/01df85ba45158cf32b5254759dd6a128847d2984.gif”>

应对订单场景，电商通常会采用MySQL传统方案。借助关系型数据库强大的查询能力，用户可直接通过SQL语句实现订单数据的多维度查询、数据统计等。所谓数据膨胀，分为横向、纵向两种，横向即不断迭代引入的新字段维度，纵向即总的存储数据量。在面对这两种订单数据膨胀上，单MySql方案逐渐变得吃力。


SQL + NoSQL的组合方案（以下称：组合方案）


便应运而生，借助两个数据库各自的优势分别解决不同场景各自的需求。但


组合方案


同样也带来了新的问题，组合方案牺牲空间成本，同时也增加了开发工作量与运维复杂度。在保证数据一致性上产生额外开销。

下面让我们看一下如下几个常规方案：

MySql自身拥有强大的数据查询、分析功能，基于MyQql创建订单系统，可以应对订单数开发云主机域名据多维查询、统计场景。伴随着订单数据量的增加，用户会采取分库、分表方案应对，通过这种伪分布式方案，解决数据膨胀带来的问题。但数据一旦达到瓶颈，便需要重新创建更大规模的分库+数据的全量迁移，麻烦就会不断出现。数据迭代、膨胀带来的困扰，是MySql方案难于逾越的。仅仅依靠MySql的传统订单方案短板凸显。

1、数据纵向（数据规模）膨胀：采用分库分表方案，MySql在部署时需要预估分库规模，数据量一旦达到上限后，重新部署并做数据全量迁移；

2、数据横向（字段维度）膨胀：schema需预定义，迭代新增新字段变更复杂。而维度到达一定量后影响数据库性能；

引入双数据的方案应运而生，通过实时数据、历史数据分存的方案，可以一定程度解决数据量膨胀问题。该方案将数据归类成两部分存储：实时数据、历史数据。同时通过数据同步服务，将过期数据同步至历史数据。

1、实时订单数据（例如：近3个月的订单）：将实时订单存入MySql数据库。实时订单的总量膨胀的速度得到了限制，同时保证了实时数据的多维查询、分析能力；

2、历史订单数据（例如：3个月以前的订单）：将历史订单数据存入HBase，借助于HBase这一分布式NoSql数据库，有效应对了订单数据膨胀困扰。也保证了历史订单数据的持久化；

但是，该方案牺牲了历史订单数据对用户、商家、平台的使用价值，假设了历史数据的需求频率极低。但是一旦有需求，便需要全表扫描，查询速度慢、IO成本很高。而维护数据同步又带来了数据一致性、同步运维成本飙升等难题；

组合方案还有MySql+


Elasticsearch


，该方案同样是将数据分两部分存储，可以一定程度解决订单索引维度增长问题。用户自己维护数据同步服务，保证两部分数据的一致性；

1、全量数据：将全量的订单数据存入MySql数据库，订单ID之外的数据整体存为一个字段。该全量数据作为持久化存储，也用于非索引字段的反查；

2、查询数据：仅将需要检索的字段存入


Elasticsearch


（基于Lucene分布式索引数据库），借助于


Elasticsearch


的索引能力，提供可以应付维度膨胀的订单数据，然后必要时反查MySql获取订单完整信息；

该方案应付了数据维度膨胀带来的困扰，但是随着订单量的不断膨胀，MySql扩展性差的问题再次暴露出来。同时数据同步至


Elasticsearch


的方案，开发、运维成本很高，方案选择也存在弊端。

如果使用表格存储（TableStore）研发的多元索引（SearchIndex）方案，则可以完美地解决亿量级订单系统问题。TableStore具有即开即用，按量收费等特点。多元索引随时创建，是海量电商订单元数据管理的优质方案。

TableStore作为阿里云提供的一款全托管、分布式NoSql型数据存储服务，具有【海量数据存储】、【热点数据自动分片】、【海量数据多维检索】等功能，天然地解决了订单数据大爆炸这一挑战；

同时，SearchIndex功能在保证用户数据高可用的基础上，提供了数据多维度搜索、统计等能力。针对多种场景创建多种索引，实现多种模式的检索。用户可以仅在需要的时候创建、开通索引。由TableStore来保证数据同步的一致性，这极大的降低了用户的方案设计、服务运维、代码开发等工作量。

样例内嵌在表格存储控制台中，用户可登录控制台体验系统（若为表格存储的新用户，需要点击开通服务后体验，开通免费，订单数据存储在公共实例中，体验不消耗用户存储、流量、Cu）。


注：该样例提供了【亿量级】订单数据。官网控制台地址：

项目样例

若您对于亿量级订单系统的体验不错，希望开始自己系统的搭建之旅，只需按照如下步骤便可以着手搭建了：

通过控制台开通表格存储服务，表格存储即开即用（后付费），采用按量付费方式，已为用户提供足够功能测试的免费额度。

表格存储官网控制台

、

免费额度说明

。

通过控制台创建表格存储实例，选择支持多元索引的Region。（当前阶段SearchIndex功能尚未商业化，暂时开放


北京、上海、深圳、杭州四地，后续逐渐开放）

创建实例后，提交工单申请多元索引功能邀测（商业化后默认打开，不使用不收费）。

邀测地址：

提工单

，选择


【表格存储】>【产品功能、特性咨询】>【创建工单】，申请内容如下：

问题描述:请填写【申请SearchIndex邀测】

机密信息:请填写【地域+实例名】，例：上海+myInstanceName

使用具有多元索引（SearchIndex）的SDK，

官网地址

，暂时java、go、node.js三种SDK增加了新功能

订单系统不仅仅是订单一张数据表，它应包含：消费者表、售货员表、产品表、供货商表、交易订单表、支付订单表等。在本样例中，猪腰使用最基本的四张表（消费者表、售货员表、产品表、交易订单表），仅以订单表举例如下：

表名：order_contract

四张表：订单表、消费者表、售货员表、产品表

用户仅需维护一个实例，按如下方式创建：通过控制台创建、管理数据表（用户也可以通过SDK直接创建）：

2、创建数据表索引

TableStore自动做全量、增量的索引数据同步：用户可以通过控制台创建、管理SearchIndex（用户也可通过SDK创建）：

插入部分测试数据（控制台样例中插入了1亿条数据，用户自己可以通过控制台插入少量测试数据）；

数据读取分为两类：

基于原生表格存储的主键列获取：getRow, getRange, batchGetRow等。主键读取用于索引（自动）反查，用户也可以提供主键（订单md5）的单条查询的页面，亿量级下查询速度极快。单主键查询方式不支持多维度检索；

基于新SearchIndex功能Query：search接口。用户可以自由设计索引字段的多维度条件组合查询。通过设置选择不同的查询参数，构建不同的查询条件、不同排序方式；目前支持：精确查询、范围查询、前缀查询、匹配查询、通配符查询、短语匹配查询、分词字符串查询，并通过布尔与、或组合。

如【c0001号消费者，且消费在99.99以上的订单】组合方式如下：

这样，系统的核心代码已经完成，基于表格存储搭建订单系统，是不是很简单？

相关推荐: 『中级篇』docker之运行nginx跳转到本地的jar并配置https（番外篇）（80）

原创文章，欢迎转载。转载请注明：转载自IT人故事会，谢谢！原文链接地址：『中级篇』docker之运行nginx跳转到本地的jar并配置https（番外篇）（80）真实的环境，一个1核2g内存，安装了mysql容器，java容器，nginx容器。具体安装dock…