如何设计一套秒杀系统？京东、淘宝都这么干：架构设计合集(十)

蓝葛亮

发布于 2025-11-06 17:16:56

1980

一、秒杀场景的"魔鬼挑战"

还记得每年双11凌晨，无数人守在手机前疯狂点击"立即购买"的场景吗？几百万人同时抢购几千件商品，这对系统来说简直是一场"生死考验"。

秒杀场景有多恐怖？让我们看看数据：

瞬时并发：百万级用户同时点击
读写比例：读请求是写请求的100倍以上
库存有限：商品数量远少于用户数量
时间集中：流量在几秒内爆发

如果架构设计不当，轻则页面卡顿，重则服务器直接"躺平"。那么京东、淘宝这些电商巨头是怎么做到秒杀不挂的呢？

二、秒杀架构的核心设计理念

在深入技术细节之前，我们先要明白秒杀架构的几个核心理念：

1. 流量削峰 - 让洪水变细流

就像防洪大坝一样，我们需要把瞬间的流量洪峰分散开来，避免系统被冲垮。

2. 异步处理 - 快速响应，慢慢处理

用户点击后立即返回结果，实际处理在后台慢慢进行。

3. 限流降级 - 丢车保帅

宁可拒绝部分请求，也要保证核心服务正常运行。

4. 缓存为王 - 能不查数据库就不查

热点数据全部放缓存，数据库只处理最终的订单写入。

三、完整的秒杀系统架构

让我们看看一个完整的秒杀系统架构长什么样：

架构详解：

这个架构就像一个精密的防御体系，每一层都有其独特的作用：

1. CDN层：静态资源（图片、JS、CSS）直接从CDN返回，根本不经过我们的服务器。这就像在家门口设置了一个"免战牌"，把大部分请求挡在门外。

2. 负载均衡层：使用Nginx或LVS做流量分发，确保请求均匀分布到多台服务器上。想象一下，这就像银行的多个窗口，避免所有人挤在一个窗口排队。

3. 网关层：这是我们的"保安队长"，负责限流、鉴权、防刷等工作。每秒只允许固定数量的请求通过，超过的直接返回"系统繁忙"。

4. 应用层：真正的业务逻辑处理，采用集群部署，任何一台挂了都不影响整体服务。

5. 缓存层：Redis存储库存信息，本地缓存存储商品详情。99%的读请求都在缓存层解决，数据库压力大大减轻。

6. 消息队列：订单处理采用异步方式，用户下单后立即返回，实际扣库存、创建订单等操作通过消息队列慢慢处理。

7. 数据库层：采用主从架构，读写分离。秒杀期间，查询走从库，只有最终的订单写入才访问主库。

四、秒杀流程的精妙设计

接下来看看用户点击"秒杀"按钮后，系统是如何处理的：

流程深度解析：

第一道防线 - 前端拦截

按钮置灰：秒杀未开始时，按钮不可点击
单机限流：1秒内只能点击一次，防止用户疯狂点击
时间校验：本地先校验时间，避免无效请求

第二道防线 - 网关校验

用户鉴权：验证用户是否登录、是否有购买资格
黑名单检查：拦截恶意用户和机器人
接口限流：使用令牌桶算法，控制通过的请求数量

第三道防线 - 库存扣减

-- Redis Lua脚本，保证原子性
local stock = redis.call('get', KEYS[1])
if tonumber(stock) > 0 then
    redis.call('decr', KEYS[1])
    return 1
else
    return 0
end

这段Lua脚本在Redis中原子执行，避免超卖。就像银行取钱，必须先检查余额再扣款，而且这两个操作必须是原子的。

第四道防线 - 异步处理

库存扣减成功后，将订单信息发送到消息队列
用户立即收到"秒杀成功"的提示
后台慢慢处理订单创建、支付等流程

五、关键技术点深度解析

1. 预热与缓存策略

缓存预热就像餐厅开门前的准备工作，把今天要卖的菜都准备好，客人来了直接上菜，不用现做。

具体做法：

秒杀开始前30分钟，将商品信息、库存数量全部加载到Redis
使用Redis的持久化功能，防止缓存雪崩
设置合理的过期时间，避免脏数据

2. 限流算法实现

最常用的限流算法有三种：

令牌桶算法（推荐）

public class TokenBucket {
    private long capacity;     // 桶容量
    private long tokens;       // 当前令牌数
    private long lastRefill;   // 上次填充时间
    private long refillRate;   // 填充速率
    
    public synchronized boolean tryAcquire() {
        refill();
        if (tokens > 0) {
            tokens--;
            return true;
        }
        return false;
    }
    
    private void refill() {
        long now = System.currentTimeMillis();
        long tokensToAdd = (now - lastRefill) * refillRate / 1000;
        tokens = Math.min(capacity, tokens + tokensToAdd);
        lastRefill = now;
    }
}

令牌桶就像地铁闸机，每秒放行固定数量的人，既能应对突发流量（桶里有存量令牌），又能控制平均流量。

3. 分布式锁的应用

在扣减库存时，我们需要分布式锁来保证数据一致性：

// 使用Redisson实现分布式锁
RLock lock = redisson.getLock("product:" + productId);
try {
    if (lock.tryLock(100, TimeUnit.MILLISECONDS)) {
        // 检查并扣减库存
        Long stock = redis.decr("stock:" + productId);
        if (stock < 0) {
            redis.incr("stock:" + productId);
            return "库存不足";
        }
        // 发送消息到队列
        sendToQueue(userId, productId);
        return "秒杀成功";
    }
} finally {
    lock.unlock();
}