深色模式
05 · 示范:订单系统的数据库扛不住了
学完你能说出:
- 「订单量涨了 100 倍,数据库扛不住了,怎么办?」的完整回答:先定位,再按成本从低到高优化。
- 怎么把「数据库优化分层」和「分布式中间件」组合成一个有层次的答案。
- 面试官最常接的 4 个追问。
先看地图
这是第三道示范题,把 数据库优化的分层答法 和分布式与中间件模块串起来。它不是「从零搭一个系统」,而是「已有系统扛不住了怎么演进」,所以用骨架时,「进」和「出」换成「写链路」和「读链路」。本篇讲 3 个点:
① 场景和定位 → ② 读链路、写链路分别优化 → ③ 4 个常见追问
一句话本质
扛不住之前先找瓶颈:读多就挡读(索引、缓存、读写分离),写多就削峰拆写(批量、消息队列、分库分表),分析查询交给大数据,每一步说清解决什么、代价是什么。
生活类比
一家餐厅从一天 100 桌涨到 10000 桌:先看是收银台排队(读)、还是后厨出不了菜(写);收银慢就多开几个收银台、常点的菜做成套餐提前备好;后厨慢就先让订单排队、再多开几个分厨房按区域分单。而不是一上来就把整栋楼推倒重建。
一步步看
1. 场:先问清楚、先定位
题目:「一个电商订单系统,日订单从 1 万涨到 100 万,MySQL 扛不住了,你怎么办?」
开口先补场景,再说定位:
- 规模:日订单 100 万,高峰每秒约 1000 笔下单;订单详情和列表查询是下单的 10 倍以上(读多写少);订单表累计已有 5 亿行。
- 定位:先看监控和慢查询日志:CPU、磁盘 IO、连接数哪个先满;EXPLAIN 看最慢、最频繁的 SQL 有没有走索引;分清压力主要来自读、写还是统计报表。
2. 读链路和写链路分别优化
读链路(按成本从低到高)
| 步 | 做法 | 解决什么 | 代价 |
|---|---|---|---|
| 1 | 慢 SQL 加索引、避免索引失效、覆盖索引、深分页改成按 id 翻页 | 单条查询扫描行数太多 | 几乎为零 |
| 2 | 订单详情、商品信息加 Redis 缓存(旁路缓存,先改库再删缓存) | 读请求太多 | 最终一致;要防穿透、击穿、雪崩 |
| 3 | 读写分离:一主多从,列表查询走从库 | 缓存挡不住的读 | 主从延迟:刚下单的查询走主库 |
| 4 | 订单搜索(按商品名、时间范围、状态组合查)同步到 ES | 复杂条件查询 | 同步延迟、多维护一套系统 |
| 5 | 运营报表、统计不再查业务库,同步到数仓用 Spark / ClickHouse 算 | 大查询拖慢在线业务 | 报表变成 T+1 或分钟级 |
写链路
| 步 | 做法 | 解决什么 | 代价 |
|---|---|---|---|
| 1 | 批量写入、缩短事务(事务里只做写,查询放外面) | 单次写入和锁持有时间太长 | 改代码 |
| 2 | 下单核心步骤(扣库存、写订单)同步完成,发短信、加积分、通知仓库走消息队列 | 下单链路太长,高峰时下游被压垮 | 最终一致,消费者要幂等 |
| 3 | 冷热分离:3 个月前的订单挪到历史表或归档 | 单表太大 | 查历史订单要走另一套查询 |
| 4 | 分库分表:按 user_id 分 4 个库 × 16 张表,雪花算法生成订单号 | 单库写入和单表数据量都扛不住 | 跨分片查询、分布式事务、扩容迁移 |
难:挑两个讲透。一是缓存一致性:先改库再删缓存,删除失败走消息队列重试,加过期时间兜底;二是分库后按订单号查询:订单号里编码分片信息,或建映射表。
评:看高峰时段的 P99 延迟、数据库 CPU 和连接数、慢查询数量、缓存命中率;压测验证目标 QPS。
3. 4 个常见追问
| 追问 | 答法要点 |
|---|---|
| 「为什么不一开始就分库分表?」 | 改动和维护成本最大,跨库查询和事务都变复杂;大部分压力来自读,索引、缓存、读写分离就能解决,写入和单表规模真扛不住再拆 |
| 「秒杀时 1 秒 10 万人抢 100 件商品怎么办?」 | 前端限流、按钮防重复点击;库存预先放进 Redis,用原子扣减(扣到 0 就拒绝)挡掉绝大部分请求;抢到的再进消息队列异步创建订单;数据库最终只承受约 100 笔写入 |
| 「缓存和数据库不一致,用户投诉看到的价格不对怎么办?」 | 价格这类关键数据:先改库再删缓存,删除失败重试,过期时间设短;下单时以数据库价格为准再校验一次 |
| 「分库后运营要查全部订单的统计怎么办?」 | 不在业务库上做:通过 CDC 把各个分库的订单同步到数仓,汇总后按天出报表;实时的用 Flink 写 ClickHouse |
为什么这么设计
为什么要把读链路和写链路分开讲?
- 问题:读和写的瓶颈完全不同,混在一起讲,「加缓存」「分库分表」「消息队列」会被堆成一串名词。
- 方案:先说压力主要来自哪边,再分别沿读链路、写链路按成本从低到高说。
- 好处:答案有层次,每个组件都能对应上「它解决的是读还是写的哪个问题」。
一句话答法
读和写的瓶颈不同,所以先定位压力来自读还是写,再分别沿读链路(索引、缓存、读写分离、ES、数仓)和写链路(批量、消息队列、冷热分离、分库分表)按成本从低到高优化。
英文术语拆解
| 术语 | 拆开看 | 一句话意思 |
|---|---|---|
| QPS / TPS | Queries / Transactions Per Second | 每秒查询数 / 每秒事务数 |
| P99 | Percentile 99 | 99% 的请求都比它快 |
| Rate Limiting | Rate 速率 + Limiting 限制 | 限流 |
| Load Test | Load 负载 + Test 测试 | 压测 |
| Flash Sale | Flash 闪 + Sale 销售 | 秒杀 |
面试怎么问
Q:订单量涨了 100 倍,数据库扛不住了,你怎么办?
先定位:看监控和慢查询日志,确认瓶颈在读、写还是统计查询。读多的话按成本从低到高:慢 SQL 加索引和改写,热点数据加 Redis 缓存,再做读写分离,复杂搜索交给 ES,统计报表交给数仓;写多的话:批量写入、缩短事务,非核心步骤走消息队列削峰,历史订单冷热分离,最后按 user_id 分库分表、雪花算法生成订单号。难点是缓存一致性和分库后的跨分片查询。用压测和 P99、数据库负载、缓存命中率评估效果。
Q:秒杀场景怎么设计?
核心是层层过滤,让数据库只承受最终成功的那点写入:前端限流、防重复提交;库存预热到 Redis,用原子扣减判断是否抢到;抢到的请求进消息队列,异步创建订单;订单创建要幂等,防止重复下单;数据库只处理约等于库存数量的写入。
容易混的地方
- 不要一上来就说分库分表:先定位、先低成本。
- 组件要对应问题:缓存挡读,消息队列削写峰,分库分表解决单库写入和单表规模。
- 统计查询不属于业务库:交给数仓或 OLAP。
和其他知识的连接
- ← 来自 数据库优化的分层答法:读链路前几步。
- ← 来自 缓存、消息队列、对象存储与搜索引擎、读写分离与分库分表。
- ← 来自 平台全景:统计查询交给数仓。
- ← 来自 系统设计骨架:场、进出(读写)、难、评。
自测 3 问
Q1:读链路的 5 步优化按顺序说出来,每步说出代价。
点开看答案
① 索引和 SQL 改写(几乎无代价);② Redis 缓存(最终一致、要防穿透击穿雪崩);③ 读写分离(主从延迟);④ 复杂搜索同步到 ES(同步延迟、多一套系统);⑤ 统计交给数仓(报表变 T+1 或分钟级)。
Q2:秒杀 1 秒 10 万请求抢 100 件,怎么让数据库只承受约 100 次写?
点开看答案
前端限流和防重复点击挡掉一部分;库存预热到 Redis,用原子扣减,扣到 0 后的请求直接返回「已抢光」;抢到的 100 个请求进消息队列,异步创建订单并保证幂等,数据库只处理这约 100 笔写入。
Q3:为什么分库分表放在最后?
点开看答案
改动最大:要改代码、迁数据,跨分片查询、分布式事务、全局 id、扩容都变复杂;而大部分压力来自读,索引、缓存、读写分离就能解决。只有单库写入或单表规模真的扛不住时才分。
✅ 验收清单
- 能在 2 分钟内讲完:定位 → 读链路 → 写链路 → 难点 → 评估
- 能说出读链路 5 步和写链路 4 步,每步说出代价
- 能回答「为什么不早分库」「秒杀怎么做」「价格不一致」「分库后怎么统计」4 个追问
下一步该懂什么
- 回到答题方法,把三道示范题各计时讲一遍 → 系统设计骨架