DDD 与 CQRS 才是黄金组合

geekhalo 2024-03-26 11:20:00
在日常工作中,你是否也遇到过下面几种情况:

 

  • 使用一个已有接口进行业务开发,上线后出现严重的性能问题,被老板当众质疑:“你为什么不使用缓存接口,这个接口全部走数据库,这怎么能扛住!”

  • 开发一个后台管理功能,业务反馈说数据一直不对,对比后发现缓存与数据库不一致,为什么要使用缓存接口呢,你陷入沉思?

  • 产品要求在 xxx 上增加新功能,编码、测试、上线一气呵成,最后发现另外一个流程被躺枪,出现异常不得不进行回滚!

  • 在一个高并发的场景,DB 成为了系统瓶颈,不加索引查询扛不住,加索引更新扛不住,又该如何处理?

  • 随着数据量的激增,系统变得越来越慢,特别是后台管理复杂的查询场景下,复杂的 Join 让 DB 不堪重负。

  • ……

 

为什么会出现这种现象?其本质仍旧是代码组织结构不合理,我们将不同的复杂性揉在一起,从而造成了更大的复杂性,然后如此往复,不知不觉中陷入巨大的复杂性漩涡不可自拔。

 

一、CQRS 是什么?

 

CQRS 是 Command Query Responsibility Segregation 的简称,简单理解就是对 “写”(Command) 和 “读” (Query)操作进行分离。反应快的同学会说:“也不是什么高深技术吗,不就是数据库的读写分离吗?”

 

是的,数据库的读写分离也算是一种 CQRS,但 CQRS 的含义要比这复杂得多。

 

CRQS 既是一种流行的业务架构,又是一种设计思维。

 

CQRS 的核心是“拆分”,将复杂系统拆分为 Command 和 Query 两个部分,针对不同的场景使用不同的模式,选择最合适的技术落地最佳解决方案,避免两者相互掣肘相互影响。

 

CQRS的目的是降低整个系统的复杂性,那它背后的逻辑是什么?

 

假设,在一个系统中:

 

  • Command 的复杂性为 M

  • Query 的复杂性为 N

 

如果使用同一套模型来处理 Command 和 Query,那在极端情况下,系统的复杂性为 M * N,因为两者相互影响,调整一方的同时要时刻关注对另一方的影响。

 

图片

 

这种“你中有我,我中有你”的设计方式,“两者的相互影响”成为系统最为复杂之处,大量精力消耗在“排查影响”,而非最有价值的设计和编码。

 

如果,将 Command 和 Query 彻底分离,系统的复杂性变成 M + N。Command 的变更不会影响 Query,而 Query 的修改也不会影响 Command。

 

图片

 

当然,以上两个极端在实际工作中也很少见,通常系统的复杂性介于两者之间。

 

图片

 

这只是从理论进行推导,在实际工作中随处可见的“冲突”也是对“拆分”的一种暗示。

 

二、分层架构中的冲突

 

以最常见的分层架构进行介绍,具体如下:

 

图片

 

如图所示,将系统分成5层,每层的含义如下:

 

  • Web 接入层。主要用于处理系统输入,对输入信息进行验证,调用应用服务完成业务操作,对结果进行转换,最终返回给调用方;

  • 应用服务层。主要处理业务流程编排,从仓库中获取领域对象,执行领域模型的业务操作,将最新的对象状态通过仓库同步到数据存储引擎,并对外发布领域事件;

  • 领域层。业务逻辑的承载点,是业务价值的集中体现,通常构建于面向对象设计之上,基于封装、继承、多态等特性保障业务逻辑的复用性和扩展性;

  • 仓库层。主要用于数据访问,向上为应用服务提供数据操作服务,向下屏蔽各类存储引擎的差异;

  • 数据层。主要用于数据保存和检索,常见的数据存储引擎全部属于这一层,比如 MySQL、Redis、ES 等;

 

其实,分层架构本身也是一种“拆分”,将不同的关注点封装在不同的层次。但除了横向分层,还可以基于 CQRS 对其进行纵向拆分,也就是将每个层的组件拆分为 Command 和 Query 两部分。

 

由于接入层冲突较小,本身拆分的意义不大,在此不做要求,但从严格意义上讲,仍旧建议进行拆分。

 

三、应用服务层冲突与拆分

 

应用服务层拆分就是将一个应用服务拆分为 CommandService 和 QueryService 两组。

 

图片

 

这样做可以避免很多不必要的麻烦,Command 和 Query 存在较大的区别,具体如下:

 

图片

 

回想开篇时提到的场景,完成应用层拆分,就不再为使用错组件而烦恼:

 

  • CommandService 的 Repository 不使用缓存,仅操作数据库

  • QueryService 的 Repository 可以使用缓存,以提升访问性能

 

除此之外,针对统一的操作流程,还可以进一步抽象来消除重复的“模板代码”,比如:

 

1.引入“模板方法设计模式” 以达到核心逻辑的复用

 

  • 抽象出 BaseCommandService 和 BaseQueryService 两个父类用于统一核心流程

  • 子类实现 BaseCommandService 和 BaseQueryService 的抽象方法完成功能扩展

 

2.基于“约定优于配置” 使用 Proxy 模型,只定义接口不写实现代码

 

  • 按规范定义 CommandService 和 QueryService 接口,通过注解完成相关配置

  • 自动生成 Proxy 实现类,完成流程编排

 

四、模型层冲突与拆分

 

模型层是系统的核心,它的设计直接影响整个系统的质量。作为承接业务逻辑的核心,比较流程的实现策略包括:

 

  • DDD 领域驱动设计,其核心是使用面向对象的高级特性(封装、继承、多态、组合等)来进行设计,非常适合复杂的业务场景。其体现就是存在很多高内聚低耦合的对象组(聚合根),业务逻辑由这些小对象相互协作共同完成;

  • 事务脚本,使用过程式思维,将数据操作编织到流程中,比较适合并不复杂的业务场景。其体现就是存在很多“上帝 Service”,Service 中存在很多非常长的方法,业务逻辑由这些方法完成。

 

关于哪个才是最优解,网上已经争论多年,最终也没有结论。但我始终认为“没有业务场景就讨论方案,就是在耍流氓”。

 

从不同应用场景出发便可得到如下结论:

 

  • Command 场景需要保障严谨的业务逻辑,通常复杂性偏高,所以DDD 是最优解

  • Query 场景需要更灵活的数据组装能力作为支持,通常比较简单,所以 事务脚本 是最优解

 

我经常说:“最简单的“写”也是复杂,最复杂的“读”也是简单”,其背后逻辑是基于对 Command 和 Query 的场景判断。

 

将模型拆分为 Command 和 Query,具体如下:

 

图片

 

完成模型拆分后,新模型具有以下特征:

 

  • Agg 也就是 DDD 中聚合根,主要用于处理复杂的 Command 逻辑,由具有大量业务操作的"富对象"构成;

  • View 是标准的 POJO,主要充当 Query 结果对象,典型的“贫血对象”,仅作为数据的载体,根据展示需求对数据进行组装;

  • View 没有自己的 Repository,只能依赖 CommandRepository 获取数据,Converter 组件负责将 Agg 模型转换为 View 模型。

 

这块是拆分的重点,为了方便理解,简单举个例子:

 

比如在电商的订单模块:

 

  • 生单流程,由 Order 作为聚合根对内部 OrderItem 和 PayInfo 进行统一协调

  • 订单列表页,只需展示 Order 和 User 信息

  • 订单详情,需要展示Order、User、Address、OrderItem、PayInfo、Product等信息

 

如果让一个模型同时支持着三个场景,那模型自己就变得非常复杂,很难判断某个方法、某个字段究竟属于哪个场景。

 

此时,应该根据场景对模型进行拆分:

 

  • OrderBO 以 DDD 方式进行建模,对外提供统一的业务操作,对内协调 OrderItem 和 PayInfo 等多个实体对象;

  • OrderListVO 以 POJO 方式进行建模,属性中包含 Order 和 User 信息;

  • OrderDetailVO 以 POJO 方式进行建模,属性中包括 Order、User、Address、OrderItem、PayInfo、Product 等信息;

 

三个模型相互独立,互不影响。

 

当然,由于使用统一的 Repository 还需提供对应 VO 的 Converter:

 

  • OrderListVOConverter 将 OrderBO 转换为 OrderListVO 对象

  • OrderDetailVOConverter 将 OrderBO 转化为 OrderDetailVO 对象

 

五、仓库层冲突与拆分

 

仓库层拆分也是非常有必要的,在这一层主要有几项冲突:

 

图片

 

仓库拆分后整体架构如下:

 

图片

 

仓库拆分具有以下特点:

 

  • View 不再需要 Converter 组件完成数据转换

  • View 的数据来自于自己的 Repository,可以根据展示需求进行灵活定制

  • Command 和 Query 仍旧使用同一套数据库、同一套数据表

 

六、数据层冲突与拆分

 

数据层拆分是最重要的拆分,提到分离第一反应也是“数据库主从分离”。

 

数据层拆分的本质是:各种数据存储引擎的最佳应用场景相差巨大,读 和 写 优化往往存在矛盾。

 

仍旧以最常见的数据库为例:

 

  • 提升查询性能,建议为各种查询维度建立索引

  • 提升写入性能,需要让表上的索引越来越少

  • 为了加速更新性能,建议使用三范式设计表结构,减少冗余信息

  • 为了加速查询性能,建议使用反范式设计,尽量冗余数据,避免数据表间的 Join 操作

 

鱼和熊掌不可兼得,在数据库层展示得淋漓尽致!

 

数据层拆分后架构如下:

 

图片

 

该模型具有以下特点:

 

  • 数据存储进行了彻底拆分;Command 和 Query 都可以灵活的选择最合适的存储引擎;

  • Command 与 Query 需要引入一套同步机制以完成两者的数据同步,常见的同步机制有:

  • 工作在应用层基于领域事件的数据同步,如图所示

  • 工作在数据层基于log的数据同步,如 MySQL 的主从同步、Canal2XX 等

 

数据层拆分是大型系统最终的归宿,仍旧以订单系统为例:

 

  • 订单作为一致性要求极高的系统,Command 侧首选仍旧为具有 ACID 的关系型数据库,哪怕是分库分表底层存储仍旧不变;

  • 为了满足高性能查询需求,需要在 Query 侧引入 Redis 作为分布式缓存对访问进行加速;

  • 为了满足后台复杂且多维度的业务查询,需要在 Query 侧引入 ES 为全文检索进行加速;

  • 为了满足各种实时报表需求,需要在 Query 侧引入 TiDB 以满足海量数据的实时检索;

 

这就是我们面临的现状:“数据密集型系统”越来越多的应用程序有着各种严格而广泛的要求,单个工具不足以满足所有的数据处理和存储需求。取而代之的是,总体工作被拆分成一系列能被单个工具高效完成的任务,并通过应用代码将它们缝合起来,通过 API 的方式,对外提供服务,屏蔽内部的复杂性。

 

七、小结

 

“拆分”是“分离关注点”的重要手段之一。拆分的目的是将问题进行归类,然后采取有针对性的手段更好解决问题。

 

CQRS 作为一种架构,将业务系统不同部分进行归类,接下来需要为 Command 和 Query 寻找最优解决方案:

 

Command,以 DDD 作为理论基础将战术模型中最佳实战进行落地,包括:

 

  • 聚合设计

  • 仓库设计

  • LazyLoad + Context 模式

  • 业务验证

  • 领域事件

 

Query,以数据检索和组装作为核心能力,设计留给开发人员,实现留给框架,包括:

 

  • QueryObject 查询对象模式

  • 内存 Join 模式

  • 宽表&冗余表模式

 

作者丨geekhalo
来源丨公众号:geekhalo(ID:geekhalo)
dbaplus社群欢迎广大技术人员投稿,投稿邮箱:editor@dbaplus.cn
最新评论
访客 2024年04月08日

如果字段的最大可能长度超过255字节,那么长度值可能…

访客 2024年03月04日

只能说作者太用心了,优秀

访客 2024年02月23日

感谢详解

访客 2024年02月20日

一般干个7-8年(即30岁左右),能做到年入40w-50w;有…

访客 2023年08月20日

230721

活动预告