Skip to content

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 / TPSQueries / Transactions Per Second每秒查询数 / 每秒事务数
P99Percentile 9999% 的请求都比它快
Rate LimitingRate 速率 + Limiting 限制限流
Load TestLoad 负载 + Test 测试压测
Flash SaleFlash 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 ​

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 ​