当前位置:首页 > 文章列表 > 文章 > java教程 > Java秒杀防超卖技巧:Redis减库存+数据库乐观锁

Java秒杀防超卖技巧:Redis减库存+数据库乐观锁

2026-04-12 21:03:34 0浏览 收藏
本文深入剖析了高并发秒杀场景下防止商品超卖的核心技术方案,强调必须结合Redis原子性操作(DECRBY+Lua脚本)与MySQL乐观锁(WHERE stock > 0 + ROW_COUNT校验)构建双重防护体系,并系统指出常见误区——如禁用GET+SET引发竞态、避免盲目INCR回滚、杜绝依赖Redis过期自动清理、重视全链路日志与对账机制等,直击生产环境真实痛点,帮助开发者从“能跑通”迈向“稳可靠”。

Java项目如何实现商品秒杀的防超卖逻辑_Redis预减库存与数据库乐观锁更新实战

Redis预减库存为什么必须用DECRBY而不是GET+SET

因为并发下GET+SET存在竞态条件:两个线程同时读到库存10,都判断“够卖”,然后各自SET成9,实际只卖出了1件却扣了2次库存。DECRBY是原子操作,天然防超卖。

实操建议:

  • DECRBY前先用EXISTS确认商品key存在,避免误减不存在的商品库存(比如活动未开启时key还没写入)
  • 返回值为负数时,说明已超卖,必须立即拒绝请求——不要等DB层再校验
  • 别用INCR回滚库存:秒杀失败时,应由业务逻辑决定是否归还(比如超时未支付才归还),不能无脑INCRBY
  • 库存key建议带业务前缀和版本号,例如seckill:stock:v2:10086,方便灰度和清空

MySQL乐观锁更新订单时WHERE条件必须包含库存字段

只靠id或order_no做WHERE条件没法防超卖,因为库存已在Redis扣减,DB里还是旧值。必须让UPDATE语句本身承担最终库存校验责任。

实操建议:

  • SQL要写成:UPDATE item SET stock = stock - 1 WHERE id = ? AND stock > 0,不能省略AND stock > 0
  • 执行后检查ROW_COUNT()是否为1;为0说明DB里库存已不足,此时需回滚Redis(谨慎!见下一条)
  • 不建议在UPDATE失败后自动INCRBY Redis库存——可能因网络重试导致重复回补,应由独立的补偿任务处理
  • 如果DB用的是分库分表,确保WHERE条件能路由到正确分片,否则可能漏校验

Redis和MySQL库存不一致时怎么快速定位

不一致通常不是“谁错了”,而是“谁慢了”:Redis预减成功但DB写入失败(如唯一索引冲突、连接超时),或DB回滚后没通知Redis。

实操建议:

  • 上线前必须有对账脚本,定时比对seckill:stock:*和item.stock,输出差值大于阈值的item_id
  • 关键日志必须打全:Redis操作的返回值、DB UPDATE的ROW_COUNT()、事务是否提交,三者缺一不可
  • 不要依赖Redis过期自动清理库存——秒杀结束应主动SET库存为初始值,否则下次活动会继承错误值
  • 本地缓存(如Caffeine)如果存了库存,必须监听DB变更事件同步失效,否则会掩盖不一致

高并发下Redis Lua脚本比多次网络调用更可靠

网络往返耗时不稳定,三个独立命令(EXISTS→DECRBY→GET)在万级QPS下极易出现中间状态被其他请求干扰。

实操建议:

  • 把库存校验+扣减+剩余查询封装进一个Lua脚本,用EVAL一次性执行,保证原子性
  • Lua里用redis.call('DECRBY', KEYS[1], ARGV[1]),别用redis.pcall捕获异常——秒杀场景要快,失败就失败,不兜底
  • 脚本里禁止调用SLEEP或循环大量数据,否则会阻塞Redis主线程
  • 脚本长度超过500字符时,改用EVALSHA+SCRIPT LOAD预加载,减少传输开销

真正难的不是写对一行DECRBY,而是当Redis返回-1、DB返回0行、日志里出现“duplicate key”时,你能立刻判断出是哪个环节丢了状态,而不是重启服务再碰运气。

以上就是《Java秒杀防超卖技巧:Redis减库存+数据库乐观锁》的详细内容,更多关于的资料请关注golang学习网公众号!

不同浏览器盒模型不一致怎么解决?不同浏览器盒模型不一致怎么解决?
上一篇
不同浏览器盒模型不一致怎么解决?
批改网官网登录入口及使用方法
下一篇
批改网官网登录入口及使用方法
查看更多
最新文章
查看更多
课程推荐
  • 前端进阶之JavaScript设计模式
    前端进阶之JavaScript设计模式
    设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
    543次学习
  • GO语言核心编程课程
    GO语言核心编程课程
    本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
    516次学习
  • 简单聊聊mysql8与网络通信
    简单聊聊mysql8与网络通信
    如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
    500次学习
  • JavaScript正则表达式基础与实战
    JavaScript正则表达式基础与实战
    在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
    487次学习
  • 从零制作响应式网站—Grid布局
    从零制作响应式网站—Grid布局
    本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
    485次学习
查看更多
AI推荐
  • PubMedQA数据集详解:生物医学问答基准、功能与应用指南
    PubMedQA
    深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
    304次使用
  • H2O EvalGPT:开源LLM大模型评估与排行榜工具
    H2O EvalGPT
    H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
    360次使用
  • LMArena是什么?伯克利AI模型评估平台使用指南与功能解析
    LMArena
    LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
    358次使用
  • 斯坦福HELM:大语言模型Holistic Evaluation整体评估框架详解
    HELM
    深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
    326次使用
  • MMBench详解:多模态大模型基准测试、功能特点与使用指南
    MMBench
    MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
    147次使用
微信登录更方便
  • 密码登录
  • 注册账号
登录即同意 用户协议 和 隐私政策
返回登录
  • 重置密码