如何实现跨平台订单优惠计算

2012 年 9 月 24 日

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
1. 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
2. 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:

JavaScript

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：

 复制代码

// 活动互斥容器
classPromotionMutex {
test(a: PromotionType, b: PromotionType):boolean;
}

constpromotionMutex =newPromotionMutex();

// 活动优惠计算处理
abstractclassProcessor {
process({ skuWrappers }) {
// 获取处理器关心的活动类型
consttype=this.getType()
// 迭代 SKU 列表， 筛选出可用的商品 (没有参与互斥活动)
constavailableSkuList = skuWrappers.filter(
sku=>
!sku.allAvailablePlan.some(plan=>
promotionMutex.test(plan.type,type)
)
);
// 交给处理器
this._process({ availableSkuList });
}
}

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
1. 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
2. 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：
1. 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
2. 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

 复制代码

// SKU 的包装类
classSkuWrapper{
// 应用 SKU 级别的优惠方案
applySkuPlan(skuPlan:SkuPlan);
// 计算 SKU 的总价
reCalcTotalPrice();
}

// 对一组商品参与活动的统计
interfaceItemStats{
// 数量
totalCount:number;
// 价格
totalPrice:number;
// 使用原价？
useOriginPrice:boolean;
// 可以参与商品的列表
suitableSkuList:SkuWrapper[];
// 源数据
sourceSkuLit:SkuWrapper[];
}

// 活动门槛
classCondition{
// 包含 SKU
isContains(sku:Sku);
}

// 组合级活动的门槛
classCombineConditionextendsCondition{
// 是否满足门槛
hasMeet(itemStats:ItemStats);
// 超过门槛多少倍
overTimes(itemStats:ItemStats);
// 还缺多少满足门槛
calcRemainValue(itemStats:ItemStats);
}

// 活动优惠
classPreferential{
// 计算优惠价格
calcPreferentialPrice(originPrice:number);
}

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:

 复制代码

_process({ skuList, promotions }) {
// 迭代活动
promotions.forEach(p=>{
// 取出活动门槛和优惠
const{
conditionPreferentialPairs: [{ condition, preferential }]
} = p;

// 迭代 SKU 列表
skuList.forEach(sku=>{
// 如果门槛包含 SKU
if(condition.isContains(sku)) {
// 计算优惠后的价格
constpreferentialPrice = preferential.calcPreferentialPrice(
sku.salePrice
);
// 生成优惠方案
constplan = {
preferentialPrice
// other properties
};

// 应用 SKU 级别优惠方案
sku.applySkuPlan(plan);
}
});
});
}

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

 复制代码

abstractclassProcessor{
abstracttypes(): PromotionType[];
abstractownModelMappings(promotion: Promotion): T;
abstract_process(ctx: ProcessorContext):void;
}

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：

 复制代码

// 门槛和优惠比例 1:1
{
condition: {type,value},
preferential: {type,value}
}

// 优惠计算处理
classFooProcessorextendsProcessor{
// 将数据转换为活动对应的泛型
ownModelMappings(p:Promotion):Foo{
returnnewFoo(p);
}

_process({foo}){
// do sth
}
}

// 门槛模型
classCondition{
constructor(c) {
// 合并数据和行为
Object.assign(this, c);
}

isContains(sku:Sku);
}

classFoo{
constructor(p:Promotion) {
this.condition =newCondition(p.cs.condition)
}
}

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。

 复制代码

// 门槛和优惠变更为 n:1
{
conditions: [{type, value}, ...],
preferential: {type, value}
}
// 一个门槛满足即可
constanyCondition =conditions=>({
isContains:s=>conditions.some(c=>newCondition(c).isContains(s))
});

classFoo {
constructor(p: Promotion) {
// 活动门槛的匹配方式修改为 anyCondition 即可
this.condition = anyCondition(p.cs.conditions)
}
}

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。

 复制代码

// 定义匹配函数
typeMatcher =(condition: Condition, sku: Sku) =>boolean;
// 原价才能使用
constoriginPriceMatcher =(condition: Condition, sku: Sku) =>true
// SKU 维度标识匹配
constskuIdentityMatcher =(condition: Condition, { goodsId, skuId }: Sku) =>false
// 组合匹配
constcomposeMatcher = (a: Matcher, b: Matcher):Matcher=>(
condition: Condition,
sku: Sku
) => a(condition, sku) && b(condition, sku);

// SKU 维度标识匹配且使用原价
constoriginPriceWithSkuIdentityMatcher = composeMatcher(originPriceMatcher, skuIdentityMatcher)

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)

本文转载自公众号有赞 coder（ID：youzan_coder）。

原文链接：

https://mp.weixin.qq.com/s/SaY-nXGEKd7dG2G6Fix0zA

M	T	W	T	F	S	S
« Jan
1	2	3	4	5	6	7
8	9	10	11	12	13	14
15	16	17	18	19	20	21
22	23	24	25	26	27	28
29	30

一、背景

1.1 介绍

1.2 业务场景

1.3 前世

二、新生

2.1 设计目标

2.2 重构还是重写？

2.3 静态类型玩得更好

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。

2.4 业务模型分析

2.4.1 营销活动模型

2.4.2 扩展性

2.4.3 商品模型

2.4.4 活动优先级问题

2.4.5 活动互斥模型

无侵入的活动互斥

2.5 整体设计

2.5.1 分层设计

输入层

核心计算层

结果导出层

2.5.2 核心类图

2.6 细节设计

2.6.0 写在前面

2.6.1 内聚的模型

2.6.2 处理器抽象模板类

2.6.3 商品活动匹配

2.6.4 性能优化

2.6.5 测试覆盖

三、后端计算场景

3.1 JavaScript 运行环境选型

3.2 热更新

3.3 版本发布

3.4 后续的挑战

3.4.1 支持校验不同版本的计算结果

3.4.2 如何向前兼容

3.4.3 内存压力

3.4.4 目前 JS 脚本 的模块分析

3.4.5 优化

四、已经遇到的问题

4.1 版本管理

4.2 风险

五、总结与展望

本文转载自公众号有赞 coder（ID：youzan_coder）。

原文链接：

Related Posts

About The Author

stack

3.4.4 目前 JS 脚本的模块分析