、、
点击关注“ 有赞coder ”
获取更多技术干货哦~
作者:翁小飞
团队:零售技术
一、背景
1.1 介绍
订单优惠计算是指买家选择商品加入购物车,交易系统根据会员等级,会员资产(优惠券/码、积分、权益卡),商家优惠活动,计算出订单实际需要支付的金额。
在有赞零售业务板块中,线上线下都有订单优惠计算场景。线上使用场景是买家在H5/小程序端选品加车、下单结算,中台在这部分已经有很充分的沉淀,所以主要使用中台提供的能力实现。而在线下使用场景深度契合垂直行业,业务场景比较特殊,不适合放在中台去实现,所以这部分能力由零售业务自己完成。
1.2 业务场景
在线下开单收银场景,零售提供了多种客户端供商家选择,买家使用的端:门店小程序、自助收银大屏版。商家收银的端:PC 收银(浏览器/桌面),Phone/Pad 收银端等。
总结下零售线下场景优惠计算的 难点和痛点 :
-
属于 交易核心逻辑 ,涉及到 资产 ,如果计算出问题,容易对商家或买家造成资损
-
营销活动较多,迭代速度快,业务逻辑复杂耳熟能详的有:限时折扣、优惠券、满减送、买一送一、打包一口价、积分抵现等。为了促进消费,营销玩法会不断地更新,同时原有的活动也一直在往细致化发展,贴合商家使用需求
-
开发量冗余业务场景对应的客户端多,使用的技术栈也是不同的。部分端实现了本地计算,部分端暂时依赖后端优惠计算
-
各端实现细节可能不一致,维护起来费时费力
-
如果发生计算错误,很难及时修复问题
1.3 前世
零售移动端团队在每次营销项目迭代中,Android、iOS两端小组都需要投入开发资源,影响团队整体的项目迭代效率。
于是,移动端团队基于 JavaScript
开发了 第一版跨平台订单优惠计算 ,它统一了 Android/iOS
订单本地优惠计算和优惠详情展示的逻辑,还有动态热更的能力。
在后续迭代中,后端也希望能够接入这套能力,并共建这套系统,但是发现了有一些问题急需解决。
-
计算过程中依赖了 共享全局变量,有并发问题 ,无法同时计算多笔订单,对后端使用场景来说,虽然可以通过多个执行引擎实例来实现并发安全的计算,但此方案实属下策
-
没有领域模型,营销活动模型各不相同,实现的计算逻辑差异较大,导致代码重用度不高
-
没有设计活动互斥,互斥逻辑是硬编码在活动处理类中的
-
订单的数据结构冗余,商品和活动模型应该是独立的,但实际上商品模型下挂载了可以使用的活动,这样即增加理解成本,又增加了数据序列化的开销
-
没有类型约束,开发起来,代码提示全凭记忆,对于初次接触该系统的人,代码理解成本较高,开发新功能也束手束脚
-
处理逻辑繁琐,在商品特别多的情况下, 性能不太理想
二、新生
2.1 设计目标
新的方案需要满足以下几种需求:
-
能够提供给现有场景的多个端使用,已有的活动都需要支持。
-
统一的模型设计。商品和活动要有对应的模型,一个活动一个模型是不能接受的,这样代码复用率太低。
-
扩展性强
-
对后续的需求迭代,能够很轻松的扩展原有功能或新增营销活动
-
多个端的使用差异需要满足
性能优化。就算在商品特别多的场景,也不能出现耗时长的问题。
其实,最重要的还是提升研发效率,相同的营销计算逻辑不需要在多端都开发一遍。
2.2 重构还是重写?
方案 1: 重构活动模型成本巨大,改动贯穿所有文件,加上动态语言一时爽。
方案 2: 从长远看,用 TypeScript 重写对后期开发效率提升会很大,同时也会大大降低代码理解成本。:white_check_mark:
简单介绍下 TypeScript
特点:
-
提供了静态类型,编译时静态类型检查可以避免不少低级错误
-
对代码重构和补全提示友好
-
多人协作起来,降低了沟通成本
-
可以编译成
JavaScript
运行在各端
2.3 静态类型玩得更好
在 Native
这边的泛型,经过序列化之后,在 JS Runtime
反序列化得到的是普通对象,没有了 自身行为和类型约束 。
当然这不是语言层面的问题,但我们仍然可以设计得更完善。
我们可以通过 合并对象 的方式,让对象实例既有数据,又有行为和类型检查。
2.4 业务模型分析
2.4.1 营销活动模型
“满 300 减 30、2 件 8折,3 件 7折、全场 100 元任选 3 件……”
其实营销活动本身最核心的三个部分是:
-
门槛如需要满足多少金额或商品数量,是否原价使用等
-
优惠如直接打多少折,减多少钱,或者 3 件 100 元这种指定金额的玩法
-
基本信息包含了活动唯一标识、活动类型、活动名称
仔细想想,对这个门槛和优惠 扩展 一下,然后 组合 起来,就是一个新的营销活动玩法。
除此之外,营销活动优惠计算处理逻辑还有:
-
计算优先级多个活动计算优惠时,需要有优先级定义,然后按照顺序计算使用
-
使用策略多个活动都可以使用时,要考虑互斥、可叠加和选最优
-
作用维度单个、多个商品使用,或者整单立减
2.4.2 扩展性
通过对营销活动的模型分析,可以预见的是,未来营销活动需求迭代,会出现以下几种场景:
-
商家可以任意配置门槛和优惠来创建活动,万能的营销插件
-
商家可以任意配置优惠活动的使用顺序和使用策略
-
增加优惠方式,如现有抹零分为抹分、抹角、四舍五入到角,商家想要新增四舍、五入等
2.4.3 商品模型
商品本质是一个纯数据的模型,包含一些基本属性:标识符、类型、单位、数量、单价等,但是在实际开发过程中,需要为其增加自身能力。
2.4.4 活动优先级问题
将营销活动的计算逻辑抽象成处理器,串联起来使用,这样的方式可以解决活动优先级问题,也比较适合我们的业务场景,可以很好地实现以下目标:
-
规范了活动处理流程
-
活动处理顺序可配置化
-
活动处理之间可以任意插入逻辑节点
在实际开发中,可以插入 2 个 「数据调整」 的处理器。
-
多个 SKU 级别优惠算完后,比较优惠额度,选择最优的方案
-
所有活动处理完后,整理订单概要数据
2.4.5 活动互斥模型
活动之间有一定的使用策略:叠加、互斥、选最优。
目前的使用策略主要是由产品设计决定的,部分活动互斥情况如下所示:
对于活动之间的互斥关系,需要一个合适的数据结构来存储,然后封装起来,简化外部对其的使用。最终选择使用 无向图 来存储,在实际开发中,使用邻接链表的方式实现。
无侵入的活动互斥
为了避免活动互斥的逻辑硬编码在活动处理类中,在执行营销活动计算的处理方法时,排除掉了已经参与互斥活动的商品,这样活动处理器不用感知活动互斥,只需要关心自己的处理逻辑。
大致代码如下:
2.5 整体设计
2.5.1 分层设计
输入层
主要把外部传入的数据做整理转换。这部分是可选的,可以在 Native
层就做好适配,不同的端可以通过 扩展 Entry 来实现自己的处理。
核心计算层
-
构建领域模型, 实际是为输入层的数据增加了自身能力的处理逻辑 。如商品应有的能力:使用改价价格、计算总价、拆分一部分数量出来、应用优惠等
-
将合适的商品和活动交给处理器,计算出优惠结果
结果导出层
Native
端不再需要做多余的模型转换,减少了很多工作量。JS 这边针对不同场景, 数据直出。 JS 做起来简单且合适(拥有所有数据)
例如:移动端需要的不仅仅是订单优惠详情,还有移动端两端之间约定的渲染模板(什么地方用啥颜色,字体大小等)
通过 扩展输入层和结果导出层,共享核心计算层的方式 ,满足不同端的业务场景需求。
2.5.2 核心类图
2.6 细节设计
2.6.0 写在前面
总结下几个设计原则
-
领域模型应该拥有自身的能力,而不是交给
XXXManager
处理 -
内聚的模型,代码复用率很高
-
增加中间层,解耦活动模型变化和计算逻辑,提升扩展性
-
多用组合。
compose(A,B)=>Foo,compose(A,C)=>Bar
-
避免使用扩展字段(字典),看起来大而全,实则并不能节省开发量,还浪费了类型检查,能明确的字段就直接定义出来
-
通过包装原有数据对象的方式,为其添加能力,始终不会修改源数据。
2.6.1 内聚的模型
将核心逻辑放在对应的模型上,模型聚焦自身能力,隐藏实现细节,简化外部的使用。
这里举几个栗子:
-
商品模型:除开商品自身的数据,应提供
-
计算商品总价的能力,隐藏改价、商品单位、附加属性的计算逻辑
-
应用SKU级别优惠的能力,隐藏使用优惠之后,价格变动的处理
门槛模型:
-
SKU 级别门槛提供:商品能否使用优惠,隐藏全选、部分选中、分组选、反选和无码商品的逻辑
-
组合级别门槛提供:生成商品统计概要之后,是否满足了要求,凑单还需什么或者已经超过门槛了多少倍
优惠模型: 提供 计算应该优惠多少金额的能力, 隐藏打折、减钱、指定价格、抹零这些优惠方式
通过这些核心模型的设计,处理一个 SKU 级别活动 将变得非常简单,核心代码不会超过 20
行, 大致如下:
2.6.2 处理器抽象模板类
对于不同的活动,需要实现活动处理模板类中的抽象方法:
-
关心的活动类型
-
处理活动数据(基础信息 + 门槛 + 优惠)到活动泛型的 映射
-
处理自身活动泛型和商品,生成和应用优惠方案
活动模型的扩展性 : 各个活动总是有差异的,不需要全部按照一个固定的模型去设计。 把通用的部分定义出来,允许出现特性,同时不会对外部传入的数据做限制。
这里主要通过增加 中间层 来实现活动模型的扩展性。 ownModelMappings()
会将数据封装为自身所需的泛型,即使外部活动的门槛或优惠有变化,之前的计算逻辑也不用修改。
例如有这么一个场景:有门槛和优惠关系是 1:1
的活动 Foo,定义如下:
需求变更为: 多个门槛满足一个即可享受优惠。 那么, 其实只需要扩展原有 condition
的封装方式,实际对原来的计算逻辑没有任何影响。
2.6.3 商品活动匹配
一个商品能不能使用活动的优惠,主要有以下几种匹配方式:
-
SPU 级别(商品 ID)
-
SKU 级别(商品 ID + SkuID)
-
原价才能使用
-
原价SPU 级别(商品 ID)
-
原价SKU 级别(商品 ID + SkuID)
-
非称重商品才能使用
-
全部能用
-
等
通过以上的几种情况可以看出,如果纯粹按照需求来开发这块功能,会有很大的冗余。为了 减少重复开发量,使用组合的方式 来实现。
2.6.4 性能优化
对于系统的性能优化,做了几点微小的事:
-
简化输入输出数据结构,减少边界开销
-
尽量避免深度复制,尤其是结构层次深的对象
-
选择合适的算法,通过剪枝的方式,缩小计算量。在商品特别多的情况下,时间复杂度依然能保持常数阶
以下是 iOS
客户端生产环境采集新老计算耗时的数据统计。为了避免影响观感,去除了极端场景下老版本计算超时的记录
2.6.5 测试覆盖
开发一个项目,测试代码是必须要有的,更何况是涉及到资产,一定要稳。
除了在开发功能阶段编写的单元测试,测试同学还提供了一系列核心用例,加上线上真实订单计算场景的数据,都补充到了集成测试当中。
项目的测试率覆盖如下图:
三、后端计算场景
3.1 JavaScript 运行环境选型
J2V8 Google V8 高性能 JavaScript 引擎的 Java 封装
Nashorn JDK 内置轻量级高性能 JavaScript 运行环境 :white_check_mark:
基于不折腾和性能不差的原则,选择了 JVM
内置的 Nashorn
引擎作为后端 JavaScript 运行环境.
3.2 热更新
后端服务感知到有新版本的 JS 发布,需要创建新的 ScriptEngine
,并加载 JS 文件,然后通过静态的订单数据预热,预热结束后替换掉老的版本,对外提供服务.
值得注意的是: 假如服务正在使用 ScriptEngine
处理计算,同时又有新版本发布,创建了新的ScriptEngine,此时直接暴露出去使用,会导致脚本未加载完成的错误。所以需要 ScriptEngine 所有准备过程(创建, 加载脚本和预热)封闭在工厂方法内 ,准备阶段完成,得到的就是完全可用的 ScriptEngine
。
3.3 版本发布
各端的版本发布流程大致相同:
-
将工程通过
webpack
以区分Entry
的方式进行打包,并上传至内部文件服务器 -
在发布管理页面操作,创建一个新的版本,绑定文件下载地址
-
将新的版本信息发布到配置中心
-
当前环境的服务端感知到配置变化,去文件服务器拉取脚本
-
加载新版本到计算服务中,预热,替换老版本,开始对外提供服务
-
当前环境确认服务稳定,同步至下个环境。跳转至 4
-
当前环境服务不稳定,通过配置中心历史记录回滚。跳转至 4
3.4 后续的挑战
3.4.1 支持校验不同版本的计算结果
对于不同版本脚本计算出来的结果,后端 应该用什么版本去校验 呢?
不同版本的差异可能体现在以下几个情况:
-
支持的营销活动的叠加互斥规则
-
不支持某些活动
-
活动使用顺序变了
-
……
3.4.2 如何向前兼容
方案 1:最新版本兼容所有老版本,需要很多 feature-flag
。历史包袱会越来越重,维护成本太高了。 靠人脑去维护版本的兼容是不可靠的
方案 2:服务端按需加载相应版本在内存中,使用请求对应的版本计算。 无历史包袱,内存占用会越来越大 :white_check_mark:
3.4.3 内存压力
先看看目前的 JS 文件大小和内存占用情况,JS 编译到 ES5 之后,文件大了一倍多。文件大小约 187K
创建了 2 个计算引擎,加载完脚本占用内存 22.2M 。经过粗略的计算, JVMScriptEngine
本身占用约 3M, 加载一个 JS 计算脚本需要 7M 左右的内存成本
3.4.4 目前 JS 脚本 的模块分析
在 webpack
打包文件时,可以通过 webpack-bundle-analyzer 插件,分析出各个模块文件大小。统计如下:
文件占比大头在 node_modules
第三方包上,当加载多个脚本时,其实有很大的冗余,它们在内存中的表现如下:
3.4.5 优化
可以通过 作用域隔离 的方式,分离不同的版本。 第三方依赖的包,是所有版本共享的 。前提是后面依赖不会有变化,以订单优惠计算的业务来讲,不会需要新的依赖了。
优化之后,加载了 11 个版本。内存占用 13M,除去 JVMScriptEngine
占用的 3M, 加载一个 JS 计算脚只需 不到 1M 内存成本 。
结合目前的各端发版周期和版本覆盖率的情况来看,后端按需加载对应版本,不会有太大的内存压力。
四、已经遇到的问题
4.1 版本管理
一个代码库,多个平台发布 。一般开发新功能,先拉特性分支,开发结束后合并到 master
,然后用 master
来发布版本。但是当两端的开发需求同时进行,想要发布的内容,时间节点也不一样。那么代码如何合并、发布就是个问题。目前采用的方式是,代码仍然合并到 master
,各端拉 发布分支 的方式去发布。有新的特性或者修复,可以摘取过来,然后定期和 master
同步。缺点就是端的负责人需要关注新代码的合并,需不需要合并到发布分支,有没有冲突问题。这种方式只能算折中之举,后续还需要继续思考和探索如何处理会更好、更省事。
4.2 风险
收益与风险总是并存的。各客户端统一的核心逻辑是:开发一次,到处运行。这样可以很大程度上提升迭代速度和一致性。但是,如果有新功能开发,通常需要评估对不同场景的影响,回归核心用例确保稳定性。虽然系统本身有单测/集成测试覆盖,但依然增加了测试同学的工作量。 庆幸的是 ,随着客户端自动化测试和后端沙盒录制回放的用例覆盖率增长,风险和工作量会逐渐减小。
五、总结与展望
截止目前,移动端和后端都已经稳定上线,投入使用。也就是说,有赞零售所有的线下收银场景都使用了这套计算框架。 在订单优惠计算方面的研发效率,至少提升了4倍人效。 后面需要做的是,将自身平台有能力,但目前依赖后端计算的场景(PC 收银、自助收银大屏版),集成这套计算框架。实现 本地计算 ,优化用户体验。
对于上线后近期的产品迭代,目前的模型设计和扩展性能够优雅的实现需求,如在「营销叠加互斥项目」中,对业务来讲属于大改的,其实对订单优惠计算的影响很小,很容易就实现了,得益于设计之初就将使用策略与计算逻辑分离。
在今后的迭代中, 希望能保持项目的代码质量和良好设计 (附上邮箱 wengxiaofei@youzan.com 可内推、聊技术和代码整洁)
扩展阅读
-
响应式架构与 RxJava 在有赞零售的实践
-
有赞零售小票打印图片二值化方案
-
有赞零售移动端收银商品实践
-
聊聊UI标准化
-
有赞零售 App 离线切换技术方案
-
有赞 Android 编译进阶之路——全量编译提效方案
-
有赞零售财务中台架构设计与实践
-
有赞零售中台建设方法的探索与实践
Vol.267
以上就是本文的全部内容,希望本文的内容对大家的学习或者工作能带来一定的帮助,也希望大家多多支持 码农网
猜你喜欢:本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。