电商购物车系统设计：高并发与实时库存校验实战-育师

1. 电商购物车系统设计概述

购物车作为电商平台的核心组件，其设计质量直接影响转化率和用户体验。一个成熟的购物车系统需要处理商品管理、促销计算、库存校验、高并发结算等复杂场景。我在多个千万级日活的电商项目中积累了一些实战经验，今天就来拆解购物车系统的设计要点。

典型购物车需要实现以下核心能力：

实时展示商品信息与库存状态
支持多种促销规则叠加计算
处理高并发下的数据一致性
提供无缝的跨设备同步体验
实现秒级响应的交互操作

2. 核心架构设计

2.1 分层架构设计

推荐采用清晰的分层架构：

表现层 → 业务逻辑层 → 数据访问层 ↘ 缓存层 ↗

表现层处理HTTP请求和响应格式化，业务层封装核心购物车逻辑，数据层负责持久化。缓存层使用Redis集群，建议部署L1/L2两级缓存：

// 伪代码示例：缓存策略 public Cart getCart(String userId) { Cart cart = l1Cache.get(userId); // 本地缓存 if (cart == null) { cart = redis.get(userId); // 分布式缓存 if (cart == null) { cart = db.load(userId); // 数据库 redis.setex(userId, cart); } l1Cache.put(userId, cart); } return cart; }

2.2 数据结构设计

Redis中推荐使用Hash结构存储购物车：

key: cart:{userId} field: skuId value: { "quantity": 2, "selected": true, "add_time": 1630000000 }

关系型数据库表设计要点：

CREATE TABLE cart_items ( id BIGINT PRIMARY KEY, user_id BIGINT NOT NULL, sku_id BIGINT NOT NULL, quantity INT CHECK (quantity > 0), selected BOOLEAN DEFAULT true, created_at TIMESTAMP, updated_at TIMESTAMP, UNIQUE KEY uk_user_sku (user_id, sku_id) ) ENGINE=InnoDB;

注意：必须建立(user_id, sku_id)唯一索引防止重复添加

3. 关键技术实现

3.1 实时库存校验方案

采用预扣库存+异步确认机制：

加入购物车时检查可用库存
下单时进行库存预占
支付成功后实际扣减

def check_stock(sku_id, quantity): # 获取实时库存 stock = redis.get(f"stock:{sku_id}") if stock is None: stock = db.query_stock(sku_id) redis.setex(f"stock:{sku_id}", stock, 60) # 检查预占库存 reserved = redis.get(f"reserved:{sku_id}") or 0 return stock - reserved >= quantity

3.2 促销计算引擎设计

促销规则建议使用策略模式实现：

public interface PromotionStrategy { void apply(CartItem item, PromotionRule rule); } // 满减策略 public class FullDiscountStrategy implements PromotionStrategy { public void apply(CartItem item, PromotionRule rule) { if (item.getAmount() >= rule.getThreshold()) { item.setDiscount(rule.getDiscount()); } } } // 使用示例 PromotionStrategy strategy = PromotionFactory.getStrategy(rule.getType()); strategy.apply(item, rule);

4. 高并发优化方案

4.1 写操作优化

采用队列削峰+批量更新：

写请求先进入RabbitMQ
消费者批量合并更新
使用CAS乐观锁控制并发

func UpdateCartHandler(c *gin.Context) { req := parseRequest(c) if err := validate(req); err != nil { c.JSON(400, err) return } // 异步处理写操作 mq.Publish("cart_update", req) c.JSON(202, gin.H{"status": "processing"}) }

4.2 缓存一致性保障

采用双删策略保证缓存一致性：

先删除缓存
再更新数据库
最后延迟再删一次缓存

def update_cart_item(user_id, sku_id, quantity): # 第一次删除 redis.delete(f"cart:{user_id}") # 数据库更新 db.execute( "UPDATE cart_items SET quantity=? WHERE user_id=? AND sku_id=?", quantity, user_id, sku_id ) # 延迟二次删除 threading.Timer(1.0, lambda: redis.delete(f"cart:{user_id}")).start()

5. 异常处理与监控

5.1 熔断降级策略

配置Hystrix规则应对依赖服务故障：

@HystrixCommand( fallbackMethod = "getProductInfoFallback", commandProperties = { @HystrixProperty(name="execution.isolation.thread.timeoutInMilliseconds", value="500"), @HystrixProperty(name="circuitBreaker.errorThresholdPercentage", value="50") } ) public ProductInfo getProductInfo(String skuId) { return productService.getInfo(skuId); } public ProductInfo getProductInfoFallback(String skuId) { return cache.getBasicProductInfo(skuId); // 返回基础缓存数据 }

5.2 监控指标设计

关键监控指标应包括：

购物车API成功率
平均响应时间（P99 < 200ms）
库存校验失败率
促销计算耗时
Redis命中率

推荐使用Prometheus+Granfa搭建监控看板，配置如下告警规则：

groups: - name: cart.rules rules: - alert: HighCartFailureRate expr: rate(cart_api_errors_total[1m]) / rate(cart_api_requests_total[1m]) > 0.05 for: 5m labels: severity: critical annotations: summary: "High cart error rate ({{ $value }})"

6. 实战经验总结

在618大促期间我们遇到过几个典型问题：

库存超卖问题：原因：直接查询数据库库存导致竞态条件解决方案：改用Redis原子操作
```
DECRBY stock:1001 1
```

促销计算性能瓶颈：优化前：每次读取都重新计算优化后：预计算促销结果并缓存

// 促销结果缓存示例 String cacheKey = "promo:" + userId + ":" + skuId; PromoResult result = cache.get(cacheKey); if (result == null) { result = calculatePromo(userId, skuId); cache.setex(cacheKey, 60, result); }