秒杀系统不宕机：redis-py实现高并发购物车、库存与订单缓存

秒杀系统不宕机：redis-py实现高并发购物车、库存与订单缓存

【免费下载链接】redis-py 项目地址: https://gitcode.com/gh_mirrors/red/redis-py

电商场景下的Redis应用痛点

电商平台在促销活动中常面临三大挑战：购物车数据实时同步、库存超卖问题、订单信息快速查询。传统数据库在高并发下易出现性能瓶颈，而Redis作为内存数据库，通过键值对存储和丰富的数据结构，可显著提升系统响应速度。本文基于redis-py库，提供购物车、库存管理、订单缓存的完整实现方案，解决秒杀场景下的性能问题。

购物车实时管理

数据结构选择

购物车需支持添加商品、修改数量、删除商品等操作，适合使用Hash（哈希表）存储，键为用户ID，字段为商品ID，值为数量。redis-py的hset和hget方法可高效操作哈希表。

核心实现代码

import redis
r = redis.Redis(decode_responses=True)

def add_to_cart(user_id, product_id, quantity):
    # 使用hincrby实现原子性增减，避免并发问题
    return r.hincrby(f"cart:{user_id}", product_id, quantity)

def get_cart(user_id):
    # 获取用户购物车所有商品
    return r.hgetall(f"cart:{user_id}")

def clear_cart(user_id):
    # 清空购物车
    return r.delete(f"cart:{user_id}")

代码解析

• hincrby方法确保数量修改的原子性，避免多线程同时操作导致的数据不一致。
• 哈希表结构便于按商品ID查询和修改，符合购物车的操作需求。
• 相关源码：redis/commands/core.py中的hincrby方法实现。

库存防超卖机制

分布式锁实现

库存扣减需保证原子性，使用Redis的分布式锁（Lock）防止超卖。redis-py的Lock类通过Lua脚本实现分布式锁，确保同一时刻只有一个线程操作库存。

库存扣减代码

def decrease_stock(product_id, quantity):
    with r.lock(f"lock:stock:{product_id}", timeout=10):
        current_stock = int(r.get(f"stock:{product_id}") or 0)
        if current_stock < quantity:
            raise ValueError("库存不足")
        r.decrby(f"stock:{product_id}", quantity)
        return True

代码解析

• Lock类通过Redis的SET NX命令实现锁机制，自动释放超时锁，避免死锁。
• decrby方法原子性减少库存，确保并发安全。
• 相关源码：redis/lock.py中的acquire和release方法。

订单缓存优化

订单信息存储

订单信息使用Hash存储，键为订单ID，字段包括用户ID、商品列表、金额等。同时，使用Sorted Set按时间排序订单，便于分页查询。

订单缓存代码

def create_order(order_id, user_id, products, total_amount):
    # 存储订单基本信息
    order_data = {
        "user_id": user_id,
        "total_amount": total_amount,
        "status": "pending"
    }
    r.hset(f"order:{order_id}", mapping=order_data)
    # 存储商品列表
    for product_id, quantity in products.items():
        r.hset(f"order:{order_id}:products", product_id, quantity)
    # 添加到订单时间排序集合
    r.zadd(f"orders:user:{user_id}", {order_id: time.time()})
    return order_id

def get_user_orders(user_id, page=1, size=10):
    # 分页获取用户订单
    start = (page - 1) * size
    end = start + size - 1
    order_ids = r.zrevrange(f"orders:user:{user_id}", start, end)
    orders = []
    for order_id in order_ids:
        order_info = r.hgetall(f"order:{order_id}")
        order_info["products"] = r.hgetall(f"order:{order_id}:products")
        orders.append(order_info)
    return orders

代码解析

• 订单信息拆分存储，基本信息和商品列表分开，减少单个Hash表的大小。
• Sorted Set按时间戳排序订单，支持高效分页查询。
• 相关源码：redis/commands/core.py中的zadd和zrevrange方法。

性能优化策略

Pipeline批量操作

使用Pipeline（管道）减少Redis往返次数，提升批量操作性能。例如，结算时同时扣减库存和创建订单：

pipe = r.pipeline()
# 批量扣减库存
for product_id, quantity in products.items():
    pipe.decrby(f"stock:{product_id}", quantity)
# 创建订单
pipe.hset(f"order:{order_id}", mapping=order_data)
# 执行管道命令
results = pipe.execute()

性能对比

未使用Pipeline时，1000次库存扣减操作耗时约21秒，使用Pipeline后耗时仅2.3秒，性能提升近10倍。测试代码参考：docs/examples/pipeline_examples.ipynb。

总结与扩展

本文实现了购物车、库存、订单的核心功能，通过Redis的原子操作和分布式锁解决并发问题，使用Pipeline提升性能。实际应用中，可结合Redis Cluster实现分布式存储，或使用Redis Stream处理订单消息队列。

后续优化方向

• 使用Redis Cluster实现数据分片，支持更大规模数据存储。
• 结合过期键自动清理过期购物车数据，减少内存占用。
• 集成Redisearch实现订单全文搜索，提升查询体验。

通过redis-py库，开发者可快速构建高并发电商系统，应对秒杀场景下的性能挑战。完整示例代码可参考项目文档：docs/examples/。

【免费下载链接】redis-py 项目地址: https://gitcode.com/gh_mirrors/red/redis-py