大事务提交优化

经常性的报死锁异常，经常性的主从延迟......通过报错信息按图索骥，发现代码是这样的。

 

这是一段商品发布的逻辑，我们可以看到参数校验、查询、最终的insert以及update全部揉在一个事务中。遇到批量发布商品的时候就经常出现问题了，数据库主从延迟是肯定少不了的。

开启优化

其实像上述小猫遇到的这种状况我们就称其为大事务，那么我们就大概有这么一个定义。我们将执行时间长，并且操作数据比较多的事务叫做大事务。

大事务产生的原因

在我们日常开发过程中，其实经常会遇到大事务，老猫总结了一下，往往原因其实总结下来有这么几点（当然存在纰漏的地方，也欢迎大家评论区留言补充）

1. 一次性操作的数据量确实多，大量的锁竞争，比如批量操作这种行为。
2. 事务粒度过大，代码中的 @Transactional使用不当，其他非DB操作比较多，耗时久。比如调用RPC接口，在例如上述小猫遇到的check逻辑甚至都揉在一起等等。

造成的影响

那么大事务造成的影响又是什么呢？

1. 从开发者的角度来看的话，部分大事务必定对应的复杂的业务逻辑，代码封装事务拆解不合理，研发侧维护困难，维护成本高。
2. 从最终系统以及运维角度来看
   • 出现了死锁。
   • 造成了主从延迟。
   • 大事务消耗更多的磁盘空间，回滚成本高。
   • 大事务发生的过程中，由于连接池持续被打开，很容易造成数据库连接池被沾满。
   • 接口响应慢导致接口超时，甚至导致服务不可用等等
     （欢迎大家补充）

优化方案

大事务既然有这么多坑，那么我们来看一下我们日常开发过程中，应该如何做到尽量规避呢？老猫整理了以下几种优化方法。

1. 降低事务颗粒度，大事务拆解小事务
   • 编程式事务代替@Transactional。
   • 非update以及insert动作外移。
2. 大数据量一次性提交尽可能拆解分批处理。
3. 拆解原始事务，异步化处理。

降低事务颗粒度

1、我们对@Transactional的事务粒度把控不好，有时候如果使用不当的话事务功能可能会失效，如果经验不足，很难排查，那么我们不如直接使用粗细粒度更好把控的编程式事务。TransactionTemplate。这样的话咱们的优化代码就可以写好才能如下方式。

	@Autowired
	private TransactionTemplate transactionTemplate;
	public boolean publishProduct(PublishProductRequest request) {
	externalSellerAuthorizeService.checkAuthorizeValid(request.getSellerId(),request.getThirdCategoryId(),request.getBrandId());
	......
	transactionTemplate.execute((status) -> {
	try{
	//执行insert
	productDao.insert(productDO);
	productDescDao.insert(productDescDO);
	....
	//其他insert以及update操作
	}catch (Exception e) {
	//回滚
	status.setRollbackOnly();
	return true;
	}
	return false;
	});
	return true;
	}

非update以及insert动作外移。

原始代码：

	@Transactional(rollbackFor=Exception.class)
	public void save(Req req) {
	checkParam(req);
	saveData1(req);
	updateData2(req);
	}
	private void checkParam(Req req){
	Data1 data = selectData1();
	Data2 data2 = selectData2();
	if(data.getSomeThing() != STATUS_YES){
	throw new BusinessTimeException(.....);
	}
	}

然后部分小伙伴就觉得外移么，如果不用@Transactional的情况，那直接这样不就行了么。

错误改造案例：

	class ServiceAImpl implements ServiceA {
	@Transactional(rollbackFor=Exception.class)
	public void save(Req req) {
	saveData1(req);
	updateData2(req);
	}
	private void checkParam(Req req){
	Data1 data = selectData1();
	Data2 data2 = selectData2();
	if(data.getSomeThing() != STATUS_YES){
	throw new BusinessTimeException(.....);
	}
	}
	public void save(Req req){
	checkParam(req);
	doSave(req);
	}
	}

这个例子是非常经典的错误，这种直接方法调用的做法事务不会生效，老猫以前也踩过这样的坑。因为 @Transactional 注解的声明式事务是通过 spring aop 起作用的，
而 spring aop 需要生成代理对象，直接方法调用使用的还是原始对象，所以事务不会生效。那么我们应该如何改造呢？我们看下正确的改造。

正确改造方案1,当然还是利用上面的TransactionTemplate：

	@Autowired
	private TransactionTemplate transactionTemplate;
	public void save(Req req) {
	checkParam(req);
	transactionTemplate.execute((status) -> {
	try{
	saveData1(req);
	updateData2(req);
	....
	//其他insert以及update操作
	}catch (Exception e) {
	//回滚
	status.setRollbackOnly();
	return true;
	}
	return false;
	});
	}
	private void checkParam(Req req){
	Data1 data = selectData1();
	Data2 data2 = selectData2();
	if(data.getSomeThing() != STATUS_YES){
	throw new BusinessTimeException(.....);
	}
	}

正确改造方案2，把 @Transactional 注解加到新Service方法上，把需要事务执行的代码移到新方法中。

	@Servcie
	public class ServiceA {
	@Autowired
	private ServiceB serviceB;
	private void checkParam(Req req){
	Data1 data = selectData1();
	Data2 data2 = selectData2();
	if(data.getSomeThing() != STATUS_YES){
	throw new BusinessTimeException(.....);
	}
	}
	public void save(Req req) {
	checkParam(req);
	serviceB.save(req);
	}
	}
	@Servcie
	public class ServiceB {
	@Transactional(rollbackFor=Exception.class)
	public void save(Req req) {
	saveData1(req);
	updateData2(req);
	}
	}

正确改造方案3：将ServiceA 再次注入到自身

大数据量一次性提交尽可能拆解分批处理。

我们再来看大数量批量请求的场景，咱们具体来分析一下，假设上游系统存在一个批量导入2w的数据操作。如果我们读取到上游导入的数据，并且直接执行DB一次性执行肯定是不合适的。这种情况就需要我们对其请求的数据量做一个拆解。我们可以采用Lists.partition等等方式将数据拆成多个小的批量然后再进行入库操作处理。

	@Servcie
	public class ServiceA {
	@Autowired
	private ServiceB serviceB;
	private void batchAdd(List<Long> inventorySkuIdList){
	List<List<Long>> partition = Lists.partition(inventorySkuIdList, 1000);
	for (List<Long> idList : partition) {
	List<InventorySkuDO> inventorySkuDOList = inventorySkuDao.selectByIdList(idList, null);
	if (CollectionUtils.isNotEmpty(inventorySkuDOList)) {
	serviceB.doInsertUpdate(inventorySkuDOList);
	}
	}
	}
	}
	@Servcie
	public class ServiceB {
	@Transactional(rollbackFor=Exception.class)
	private void doInsertUpdate(List<InventorySkuDO> inventorySkuDOList){
	for (InventorySkuDO inventorySkuDO : inventorySkuDOList) {
	doInsert(inventorySkuDO);
	doUpdate(inventorySkuDO)
	}
	}
	}

拆解原始事务，异步化处理。

这种异步化处理的方案其实有两种方式进行异步化操作。尤其是涉及到第三方RPC调用或者HTTP调用的时候，这种方案就更加适合。

方案一，采用CompletableFuture异步编排特性，当业务流程比较长的时候，我们可以将一个大业务拆解成多个小的任务进行异步化执行。比如咱们有个批量支付的业务逻辑，因为整个流程是同步的，所以大概有了下面这样的流程。

对应转换成代码逻辑的话，大概是这样的：

	void doBatchPay() {
	CompletableFuture<Object> task1 = CompletableFuture.supplyAsync(() -> {
	return "订单信息";
	});
	CompletableFuture<Object> task2 = CompletableFuture.supplyAsync(() -> {
	try {
	return doPay();
	} catch (InterruptedException e) {
	//log add
	}
	});
	//task1、task2 执行完执行task3 ,需要感知task1和task2的执行结果
	CompletableFuture<Object> future = task1.thenCombineAsync(task2, (t1, t2) -> {
	return "邮件发送成功";
	});
	}

方案二，Mq异步化处理，还是针对上述业务逻辑，我们是否可以将最终的发送邮件的动作剥离出来，最终再去统一执行发送邮件。