unsetunset一、引言unsetunset

在当今快速变化的零售行业，主商品作为核心板块之一，承载着日益增长的复杂性和市场需求的变化。这种复杂性与“熵增”定律类似：最初可能是一个简单的系统，但随着业务需求的不断迭代，系统的复杂度会越来越高。

如果早期架构不够合理，随着时间推移，系统的混乱程度会愈发严重，给后续开发和维护带来巨大困难。本文旨在探讨如何将零售主商品系统从 MVC 架构升级到 DDD 架构，解决传统架构在应对复杂业务时遇到的挑战，提高系统的灵活性，从而更好地满足业务发展。

unsetunset二、系统诊断unsetunset

探讨主商品架构升级之前，对当前系统进行全面的诊断是至关重要的一步。软件架构的设计与实现，应该遵循从高层的业务需求出发、自上而下的业务拆解、以及自下而上抽象聚合的原则，并选择合适的设计模式和软件设计原则来指导代码落地。诊断发现其主要问题集中在以下几个方面：

2.1、MVC 架构缺乏领域沉淀

当前系统采用 MVC 架构，贫血模型设计、面向过程式编程。如果从底层逻辑拆解，得到的公式便是 「读取数据」 --- 「计算、组装」 --- 「存储数据」。通过页面入口触发，经过各种业务逻辑处理，最后链接到底层的储存介质，使得页面 UI 与底层的数据结构深度绑定。

当前台页面迭代升级时，简单增加存储字段看似能够满足需求，但这种做法也带来严重问题。首先，它阻碍了领域模型的有效沉淀，导致不同模型之间的关系弱化，过度依赖底层表结构来承载业务数据，代码缺乏对业务深层次理解的“灵魂”。一旦脱离事物的本我，频繁的业务规则很容易让架构偏离其应有的轨道。

另外，在与产品团队对接业务需求时，后端开发人员受技术思维影响，很容易聚焦在表结构字段，导致交流过于技术化。这种情况下，如果业务同学没有一定技术基础，双方的沟通就很容易产生偏差。

2.2、模块过度耦合

一个优秀的框架通常是把复杂留给自己，把简单留给客户，对外提供标准接口规范。但是，随着业务复杂化，一些研发同学图省事慢慢打破这个边界，既然内部可以穿插调用直接拿到数据，为什么还要走“标准” 接入流程。

各个业务组件的 controller、service、manager  层开始代码交织， “破窗效应” 逐渐加剧，后续哪怕开发一个小需求，也会牵一发而动全身，非常痛苦。

2.3、表结构臃肿

无论是多么复杂的业务，最终都要持久化落盘存储。复杂的表结构不仅使得数据操作变得复杂，还会影响数据库的性能。优化表结构、减少冗余字段、设计更加合理的数据模型是提升数据库性能和简化数据操作的关键。

2.4、扩展性偏弱

一个优秀的技术方案不仅要实现功能，还要兼顾未来的系统扩展。举个场景，之前的「删除」操作是将主商品表的数据删除，然后插入到「删除日志表」，看似问题不大。

当迭代进销存项目时，就尴尬了。一笔进销存订单包含多条商品明细，当订单确认操作后，如果商品被删除，商品数据会从 biz_spu 表中物理删除，并迁移到回收站 product_delete_log 表，此时的订单详情页就会出现部分商品查询不出来。

unsetunset三、DDD 主架构unsetunset

领域驱动设计（Domain-Driven Design）作为解决复杂业务系统设计的一种方法论，通过聚焦核心业务，实现业务与技术的高度协同。

根据各个子域的职责分为：核心域、通用域、支撑域。分析业务需求提取领域模型，并通过一系列的领域动作完成模型的数据扭转，整个业务驱动完全是围绕着【领域模型】在进行。通过领域模型与数据模型分离，将业务复杂度和技术复杂度分离，区分彼此的职责，提高系统的可扩展性。

3.1 业务分析

业务需求是我们工作的起点，只有深入的理解业务需求，才能抽象出相对合理的领域模型。
零售商品业务非常复杂，涉及：模版配置、商品创建、上下架、修改价格、筛选搜索、多包装、一品多码、排序置顶等功能，有单个操作，也有批量处理。我们从商家视角、买家视角、平台视角来分析商品的业务场景

商家视角

主要是围绕着商品生命周期的各种管理操作，以及数据统计、报表分析，通过强大的后台系统帮助商家更好运营自己的产品

买家视角

电商的本质是买卖交易，买家做为交易的另一个重要角色，更多的读取商品各种配置参数，为用户下单做数据参考。

平台视角

除了衔接好买、卖双方外，还要承担基础平台、网关集成、后台管理等能力，对接 商家APP、收银机、多功能业务团队等业务功能的接入。同时对产生的数据提供平台化的管理以及数据报表分析，做好对买卖双方的服务。

3.2 领域建模

模型是对现实世界的映射，在现实世界中拥有什么特性，在软件世界中就拥有什么属性。建模过程本质就是一个整理信息、挖掘概念、发现事物内在联系的过程。常用的方法有用例分析法、四色建模法、事件风暴法 等，无论哪一种方法，其本质都是找名词和 动词，通过分析语句，找到里面的核心概念，并建立概念之间的联系，从而构建我们的领域模型。

然后收集商品领域模型的属性字段，定义出 SPU 和 SKU 实体。实体具有唯一标识，是真实存在的。后期业务人员与研发同学沟通业务功能时，可以基于实体这个统一语言展开。实体本身是静止的，需要通过上层的业务操作驱动实体属性值变化。

回归到工程结构上，我们需要将领域模型转换为软件实现。这里采用四层架构，分为接口层、应用层、领域层、基础设施层。将业务实体收拢在领域层的 model 模块下，统一管理，对外则通过 service 模块中的领域服务提供增、删、改、查等各种业务能力。保证领域层中的业务逻辑被合理封装，避免泄露到其他层。

不同的业务子域通过 package 形成限界上下文做隔离，如：进销存域、库存域、供应商域等，避免不同子域之间的耦合。底层的数据存储、缓存加速、以及外部服务对接全部集中在基础设施层，这个更多是技术视角来管控。Repository 模式对领域实体的持久化进行抽象，在不影响领域逻辑的前提下，可以灵活地更换底层数据库或引入缓存策略。

unsetunset四、探究优化细节unsetunset

DDD 是工程设计的骨架，通过将系统分解为不同的限界上下文和领域模型，解决了复杂性管理和业务逻辑的封装问题。然而，优化工作不仅仅停留在宏观的架构设计上，它还深入到具体实现的细节。这些细节对系统的健壮性同样起着至关重要的作用。

4.1  领域模型与数据模型并非一一映射

领域模型是对具体业务的实体还原，要想持久化最终还是要落盘储存。这里就要涉及到数据模型的转换，常见的玩法一般是建表。

这里有一个例子，零售商品有多个价格字段，如：售价、进价、成本价、原价、会员价等，随着业务迭代，可能还会有更多的价格字段。

之前采用建表方式 ，由于价格有多个类型，导致一个 SKU 对应多条价格记录，价格表随着商品数量增长快速膨胀。无论写、读，都要扫描多条行记录，资源开销很大。考虑到价格读多写少的特点，优化后的思路是采用泛化存储。废弃原来的价格表，将多个价格字段集中存储在一个 JSON 字段。由于支持反序列化，日后即使增加新的价格类型也能很好支持。

由于 JSON 字段在处理一些业务逻辑并不友好，所以我们把JSON的数据模型，转换成有业务语义的领域模型。这样，我们既能享受数据模型带来的扩展便捷，又不失领域模型对业务语义显性化带来的代码可读性。

当然，并不是每一次都会对所有价格映射修改，比如：商品设置会员价，只修改 member_price 属性，这时就需要做 merge 操作。后台服务在接收到请求后，首先读取 sku 当前价格映射，然后局部修改会员价数据，最后更新到数据库中。为了避免并发修改带来的数据安全，这里引入了版本号做乐观锁。

4.2 数据结构的分分合合

数据的存储优化至关重要，尤其是当业务发展和数据量增长到一定阶段，原来的表结构可能不再适应新的需求。这就需要我们对表结构进行合理的分解和合并，以实现更高效的数据存取和管理。

• 数据聚合：对于一些频繁联合查询的表，考虑将它们合并为一个表，以减少查询时的 JOIN 操作，提高效率。比如：这里的【价格表】收缩为一个 JSON 字段放到 商品 SKU 表。【模板实体表】的自定义属性合并到 商品 SPU表 。
• 数据冗余：适当的数据冗余可以减少业务的复杂度。例如：这里将商品的条码和扩展条码冗余了一份数据到【商品条码表】，并建立索引。当我们编辑商品时查询【商品条码表】校验唯一性决定是否执行后续操作。
• 结构优化：将之前的一些过度设计回收，提高查询效率。比如：之前为了支持商户和门店两种角色设计的 【SPU 归属表】，实际业务中的价值不大，每次查询确要关联两张表，极为不便。优化后，我们将门店属性迁移回 【商品 SPU 表】
• 垂直分割：将一个表中关联不大的字段拆分到不同的表中，减少锁竞争。比如：商品创建时可能依赖于标品逻辑，这里需要绑定标品id用于日后的数据分析。这里引入【商品扩展表】存储一些低频的数据，减少商品主表的行大小，提高查询效率。

优化不是拍脑袋，任何结构调整都应以业务需求为导向，这里不仅仅要考虑表、字段的新旧映射，还要考虑上线后对历史数据的迁移订正，确保数据的一致性和完整性。

4.3 非核心域剥离

根据 “分治” 思想来治理复杂系统，商品域拆分出 「进销存」「标品库」「库存」等多个子业务，但主商品做为核心域的关键部分，直接关联到用户体验，依然有复杂的业务逻辑。这里根据 “核心域” 和 “支撑域” 的架构定位，剥离出 “水位线” 和 “多包装” 这两个支撑域，大家各司其职，保持着弱依赖，让主商品的管理更加聚焦。

水位线：为了支撑收银机本地异构商品数据而设计的产物，门店会维护一个水位值，每当商品修改时，会关联门店的最高水位值。收银机则根据这个游标值，知道拉取哪些增量数据。

多包装：主要是为商家提供的小、中、大的商品库存转换工具，当小包装的商品库存不足时，可以根据这个关联关系来拆解大包装的库存实现库存调度。

水位线 和 多包装整体还是商品域的范畴，但是他们拥有各自独立的领域模型、领域服务，内部只依赖主商品的 SPU 标识位，其余的都是各自相对独立的业务功能。页面展示上，如果需要商品标题等信息，只需要根据商品标识从主商品核心域的领域服务获取即可，整个架构是不是很清爽。

4.4 数据异构：多元化查询能力

目前的主商品数据采用 RDS 数据库存储，为了优化查询效率，我们对一些关键字段建立索引，然而，索引虽然能提高读写效率，却以占用额外存储空间为代价，按照阿里巴巴的开发规范，一张表的索引数量应控制在5个以内，这对于满足多变的业务查询构成了限制。

随着商家运营效率的提升，对于数据查询也提出了更高要求，如：商品类型、售卖状态、会员价状态、归属门店、进价状态，以及用户自定义的查询条件。为了解决这个挑战。我们引入了 Elasticsearch 中间件，通过数据异构架构来解决复杂搜索问题。

1. 保留RDS作为主数据存储：维持对事务性强、一致性要求高的数据操作依赖关系型数据库，保证数据的安全和完整性。
2. 引入ES进行数据复制和扩展查询：通过订阅 MQ 消息，将 RDS 中的数据及时同步到ES。借助其强大的搜索能力支撑复杂的查询需求。
3. 场景化查询优化：针对特定的业务场景，如商品推荐、价格分析等，我们可以在ES中建立专门的索引和查询策略，提升查询效率和精确度。
4. 数据异构的监控和维护：实施数据异构架构，需要建立一套完善的监控机制，确保数据在RDS和ES之间的一致性，及时处理同步延迟和数据差异问题。

unsetunset结语unsetunset

在本文中，我们深入探讨了零售主商品系统从 MVC 架构向 DDD 架构升级的必要性，通过分析当前系统存在的问题，如领域沉淀不足、模块过度耦合、表结构臃肿以及扩展性偏弱。随后，介绍了领域驱动设计通过业务分析和领域建模，将复杂的业务需求转化为清晰、高内聚的模型和服务。

通过探究若干优化细节，从领域模型与数据模型的映射优化、数据结构的分解与合并，到非核心域的剥离，持续打磨优化系统，实现业务与技术的和谐共进，为业务发展带来持续的竞争优势。

unsetunset关于作者unsetunset

宋志朋，来自智慧经营开发部