在家政预约业务中,用户会在小程序、H5之间切换操作订单,比如小程序下单、H5修改预约时间。如果缓存方案设计不合理,很容易出现一端看到最新订单状态,另一端长期读到脏缓存,引发档期冲突、订单状态错乱等履约问题。本文基于SpringBoot+Redis,围绕家政预约场景设计分层缓存方案,通过缓存更新策略、版本标记、缓存失效机制,解决小程序、H5双端的数据不一致问题。

小程序和H5的前端本地缓存机制不同,小程序使用storage,H5使用localStorage,很多项目直接把前端本地缓存作为可信数据源,这是不一致的首要来源。后端缓存如果只设置固定TTL,订单状态变更后缓存不会主动失效,双端请求会读到旧缓存。 同时家政预约属于强状态业务,档期资源、订单状态、派单信息都不能长时间保留脏数据。单纯依赖固定过期时间,会出现窗口期数据不一致;如果直接去掉缓存全量查库,高峰期数据库压力会明显上升。
方案分为后端分布式缓存和前端视图缓存两层,两层缓存的定位严格区分:Redis作为唯一可信的后端缓存,前端本地缓存只用于页面渲染,不作为权威数据源。 后端缓存分为三类:订单详情缓存、档期资源缓存、用户基础信息缓存。订单和档期属于强一致性数据,采用主动失效策略;服务项目、地址列表这类变更频率低的数据,使用TTL兜底。 所有小程序、H5请求共用同一套Redis缓存,不存在分渠道独立缓存,从根源避免缓存数据隔离。读取时优先访问Redis,缓存不存在时回源MySQL,回源后回填缓存。

家政订单更新采用先更新数据库,再删除缓存的Cache Aside模式,配合消息队列做删除重试,防止缓存删除失败。订单变更后,直接删除对应缓存Key,而不是主动更新缓存,减少更新顺序错乱的风险。 订单表增加version版本字段,缓存内同步存储版本号,前端每次请求订单数据,携带本地版本号,后端对比缓存版本,版本不一致时强制刷新。 核心Java代码示例:
@Service
public class AppointCacheService {
@Autowired
private StringRedisTemplate redisTemplate;
@Autowired
private OrderMapper orderMapper;
private static final String ORDER_CACHE_KEY = "house:order:";
@Transactional(rollbackFor = Exception.class)
public ResultDTO updateOrderStatus(Long orderId, Integer status, Integer version) {
// 乐观锁更新数据库
int rows = orderMapper.updateStatusByVersion(orderId, status, version);
if(rows <= 0){
return ResultDTO.fail("订单已被其他终端修改,请刷新");
}
// 删除缓存,触发下一次查询回源DB
String cacheKey = ORDER_CACHE_KEY + orderId;
redisTemplate.delete(cacheKey);
return ResultDTO.success();
}
public AppointOrder getOrderById(Long orderId){
String cacheKey = ORDER_CACHE_KEY + orderId;
Object cacheData = redisTemplate.opsForValue().get(cacheKey);
if(cacheData != null){
return JSON.parseObject(cacheData.toString(), AppointOrder.class);
}
// 回源数据库
AppointOrder order = orderMapper.selectById(orderId);
if(order != null){
redisTemplate.opsForValue().set(cacheKey, JSON.toJSONString(order), 30, TimeUnit.MINUTES);
}
return order;
}
}预约时段是高频访问热点数据,缓存击穿风险高。档期缓存采用逻辑过期策略,缓存不主动删除,更新时更新版本号;同时搭配Redis分布式锁,防止大量请求同时穿透到数据库。 档期缓存Key按照服务ID+日期+时段组合,一旦该时段被预约、取消预约,立刻删除对应档期缓存,保证小程序、H5查询档期时拿到最新占用状态,避免超约。
前端本地缓存仅作为视图加速,不做业务判断。前端拿到接口返回数据时,同步保存数据版本号;页面发起请求时带上本地版本号。后端判断版本不一致,直接返回最新数据,前端覆盖本地缓存。 同时前端增加缓存清除规则:用户主动提交订单、修改预约、取消订单成功后,主动清空本地订单缓存;切换账号时清空全部本地storage、localStorage,防止跨用户缓存串读。
缓存删除失败是典型风险点,将缓存删除请求投递到消息队列,消费端重试删除,设置最大重试次数,超过阈值触发告警。 监控指标重点观测缓存命中率、缓存删除失败次数、订单版本冲突次数。当冲突次数持续上涨,说明双端并发操作频繁,可针对性增加弹窗强制刷新逻辑。同时所有缓存Key统一设置TTL兜底,即使主动失效逻辑异常,缓存也会自动过期,避免永久脏数据。
测试场景覆盖:小程序修改订单,H5刷新页面验证缓存失效;H5锁定档期,小程序查询档期校验缓存是否刷新;两端同时操作同一订单,校验乐观锁+版本号拦截;缓存删除失败场景,验证消息队列重试机制。同时压测档期查询接口,验证缓存击穿防护是否生效。

这套缓存方案的核心思路是区分可信后端缓存和前端视图缓存,以Cache Aside模式为主、版本号做校验、消息队列兜底缓存删除,统一一套Redis缓存支撑小程序和H5。不区分渠道隔离缓存,规避多端缓存数据不同步,同时通过分布式锁、逻辑过期、TTL兜底,兼顾一致性和查询性能。家政预约业务对档期、订单状态敏感,该方案可以有效降低双端脏数据问题,架构可以平滑扩展到技师APP、管理后台。落地时需要做好缓存Key规范、监控告警,区分冷热数据设置不同缓存策略,减少缓存失效带来的数据库压力。
原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。
如有侵权,请联系 cloudcommunity@tencent.com 删除。