Redis最佳实践——购物车优化详解

Redis在电商购物车高并发读写场景下的优化实践

---

一、购物车业务场景分析

1. 典型操作特征

   • 读/写比例 ≈ 8:2
   • 高峰QPS可达10万+
   • 单用户最大商品数500+
   • 操作类型：增删改查、全选/反选、数量修改

2. 技术挑战

   • 高并发下的数据一致性
   • 海量数据存储与快速访问
   • 实时价格计算与库存校验
   • 分布式环境下的会话管理

---

二、核心数据结构设计优化

1. 存储结构方案对比

方案	优点	缺点
String+JSON	简单直观	修改需反序列化整个数据
Hash结构	支持字段级操作	嵌套结构处理略复杂
Sorted Set	天然支持排序	存储成本较高
混合结构	平衡性能与灵活性	实现复杂度略高

2. 最终数据结构设计

// Key设计：cart:{userType}:{userId}
String cartKey = "cart:user:10001"; 

// Value结构：
// Hash结构存储商品基础信息
Map<String, String> itemData = new HashMap<>();
itemData.put("sku:1001", 
    "{\"quantity\":2,\"selected\":1,\"price\":5999,\"timestamp\":1717025661}");

// Sorted Set维护操作顺序
jedis.zadd(cartKey + ":zset", System.currentTimeMillis(), "sku:1001");

---

三、读写分离架构设计

1. 多级缓存架构

首次访问

缓存穿透

缓存未命中

缓存命中

缓存命中

回写

回写

客户端

读请求

本地缓存

Redis集群

数据库

返回数据

2. 各层缓存配置

缓存层级	技术选型	容量	过期策略
本地缓存	Caffeine	10万用户	基于大小+访问时间（1分钟）
Redis缓存	Hash+Zset	1TB内存	动态TTL+LRU淘汰
持久化存储	MySQL+TiDB	无限扩展	事务保障

---

四、高并发写入优化

1. 批量操作管道化

public void batchAddItems(String userId, List<CartItem> items) {
    try (Jedis jedis = jedisPool.getResource()) {
        Pipeline pipeline = jedis.pipelined();
        String cartKey = buildCartKey(userId);
        
        items.forEach(item -> {
            String field = "sku:" + item.getSkuId();
            // 更新Hash
            pipeline.hset(cartKey, field, serialize(item));
            // 更新ZSET
            pipeline.zadd(cartKey + ":zset", System.currentTimeMillis(), field);
        });
        
        pipeline.sync();
    }
}

2. 异步队列削峰

@KafkaListener(topics = "cart_updates")
public void processCartUpdate(CartUpdateEvent event) {
    redisTemplate.executePipelined((RedisCallback<Object>) connection -> {
        event.getUpdates().forEach(update -> {
            connection.hSet(
                update.getCartKey().getBytes(),
                update.getField().getBytes(),
                serialize(update.getValue())
            );
        });
        return null;
    });
}

---

五、高并发读取优化

1. 热点数据预加载

@Scheduled(fixedRate = 600000) // 每10分钟执行
public void preloadActiveCarts() {
    List<String> activeUsers = userService.getRecentActiveUsers(10000);
    activeUsers.parallelStream().forEach(userId -> {
        String cartKey = buildCartKey(userId);
        Map<String, String> cartData = jedis.hgetAll(cartKey);
        localCache.put(userId, cartData);
    });
}

2. 分片读取优化

public Map<String, CartItem> getCartSharded(String userId) {
    String cartKey = buildCartKey(userId);
    List<String> fields = new ArrayList<>();
    
    // 分片读取Hash
    Map<String, CartItem> result = new ConcurrentHashMap<>();
    IntStream.range(0, 4).parallel().forEach(shard -> {
        ScanParams params = new ScanParams().count(100).match("sku*");
        String cursor = "0";
        do {
            ScanResult<Map.Entry<String, String>> scanResult = 
                jedis.hscan(cartKey, cursor, params);
            scanResult.getResult().forEach(entry -> {
                if (entry.getKey().hashCode() % 4 == shard) {
                    result.put(entry.getKey(), deserialize(entry.getValue()));
                }
            });
            cursor = scanResult.getCursor();
        } while (!"0".equals(cursor));
    });
    
    return result;
}

---

六、实时库存校验方案

1. 库存缓存设计

// 库存Key结构
String stockKey = "stock:" + skuId + ":" + warehouseId;

// 原子扣减库存
Long remain = jedis.eval(
    "local current = redis.call('get', KEYS[1])\n" +
    "if not current then return -1 end\n" +
    "if tonumber(current) < tonumber(ARGV[1]) then return -1 end\n" +
    "return redis.call('decrby', KEYS[1], ARGV[1])", 
    Collections.singletonList(stockKey), 
    Collections.singletonList("1")
);

2. 库存预占机制

public boolean reserveStock(String userId, String skuId, int quantity) {
    String lockKey = "stock_lock:" + skuId;
    RLock lock = redissonClient.getLock(lockKey);
    
    try {
        if (lock.tryLock(100, 1000, TimeUnit.MILLISECONDS)) {
            // 检查实际库存
            int realStock = getRealStock(skuId);
            if (realStock < quantity) return false;
            
            // 写入预占记录
            String reserveKey = "reserve:" + userId + ":" + skuId;
            jedis.setex(reserveKey, 300, String.valueOf(quantity));
            
            // 更新显示库存
            jedis.decrBy("display_stock:" + skuId, quantity);
            return true;
        }
    } finally {
        if (lock.isHeldByCurrentThread()) {
            lock.unlock();
        }
    }
    return false;
}

---

七、数据一致性保障

1. 双写一致性方案

App Redis MQ DB 1. 写入购物车数据 2. 发送变更事件 3. 异步持久化 4. 定时全量同步 5. 返回操作结果 App Redis MQ DB

2. 补偿对账机制

@Scheduled(cron = "0 0 2 * * ?")
public void cartReconciliation() {
    // 扫描所有购物车Key
    ScanParams params = new ScanParams().match("cart:*").count(100);
    String cursor = "0";
    
    do {
        ScanResult<String> scanResult = jedis.scan(cursor, params);
        scanResult.getResult().parallelStream().forEach(cartKey -> {
            // 对比Redis与数据库
            Map<String, String> redisData = jedis.hgetAll(cartKey);
            Map<String, CartItem> dbData = cartDAO.getFromDB(extractUserId(cartKey));
            
            if (!dataEquals(redisData, dbData)) {
                log.warn("数据不一致：{}", cartKey);
                repairData(cartKey, redisData, dbData);
            }
        });
        cursor = scanResult.getCursor();
    } while (!"0".equals(cursor));
}

---

八、性能压测数据

测试环境：

• Redis Cluster（6节点，32核/128GB）
• 1000并发线程
• 单用户购物车50件商品

性能指标：

操作类型	优化前性能	优化后性能	提升倍数
添加商品	1200 TPS	8500 TPS	7.1x
批量删除	800 TPS	6800 TPS	8.5x
全量获取	300 QPS	4500 QPS	15x
库存校验	1500 TPS	12000 TPS	8x

---

九、生产环境最佳实践

1. 容量规划

   • 按每个用户购物车平均50个商品计算
   • 单个Hash存储约需5KB内存
   • 百万用户需预留：1,000,000 * 5KB = 5GB

2. 故障应急方案

   • 熔断降级：启用本地缓存应急模式
   • 快速扩容：Redis Cluster在线扩容
   • 数据恢复：AOF+RDB双重保障

3. 监控关键指标

   # 实时监控命令
   redis-cli info stats | grep -E "instantaneous_ops_per_sec|keyspace_hits"
   redis-cli info memory | grep used_memory_human
   redis-cli latency doctor
   

---

十、总结与扩展

通过本方案可实现：

• 毫秒级响应：核心操作<10ms
• 99.99%可用性：双机房容灾保障
• 线性扩展：支持千万级用户购物车
• 精准库存：实时库存校验误差<0.1%

扩展优化方向：

1. 结合CDN缓存静态化购物车页面
2. 使用Redis Stream实现实时价格推送
3. 引入机器学习预测用户购物行为

更多资源：

https://www.kdocs.cn/l/cvk0eoGYucWA

本文发表于【纪元A梦】