Spring分布式事务实现概览

分布式事务，一直是实现分布式系统过程中最大的挑战。在只有单个数据源的单服务系统当中，只要这个数据源支持事务，例如大部分关系型数据库，和一些MQ服务，如activeMQ等，我们就可以很容易的实现事务。

本地事物

大家可能都知道什么是事务，但是我们还是再来看一下它的 定义 。事务的概念来自于数据库事务，在数据库事务定义中，事务是一个执行的逻辑单元，它需要提供一个一致、可靠的数据操作。它主要包括下面两个目标：

1. 当出现任何错误，包括系统宕机、部分失败等，都能保证左右的数据修改都恢复到未修改的状态。
2. 不同的事务并发放完相同的数据时，提供适当的隔离机制。
   我们常说的ACID其实，其实是某些数据库特有的事务的实现方式，也就是实现了原子性、一致性、隔离性和持久性。

分布式系统的实现原则

那么在分布式系统当中，我们应该怎么样去实现事务呢？这就需要从分布式系统的原则说起。分布式系统的实现原则有几种说法，如BASE原理、ACP原理。

其中ACP是:

• A: 可用性(Availability)
• C: 一致性(Consistency)
• P: 分区容错性(Tolerance of network Partition)

A和P没什么好说的，就是分布式系统的基本特性，C(一致性)就是指在分布式系统当中，多个节点之间数据的一致性，包括一个节点修改的数据，通过另一个节点访问的时候也能看到；以及当一个操作需要修改多个数据源的数据的时候，多个修改要都能够完成，或者都不完成。

这里的一致性，我们可以看做是上面说的数据库事务的ACID特性中，原子性、一致性，甚至是隔离性的统一。如果以ACID这4个特性为要求来实现分布式系统，在现实当中是不可能的，其中原子性就没有办法实现。如果一个业务请求，要修改多个数据库中的数据，那么这多个数据库的操作，就无法实现原子性，势必会有一个先后，在第一个数据库上完成以后，再在第二个数据库上完成，那么这期间的一点点时间，就违反了原子性。

所以，我们往往无法在分布式系统中实现完全的一致性，所以就有了BASE理论。BASE是Basically Available（基本可用）、Soft state（软状态）和Eventually consistent（最终一致性）三个短语的缩写。BASE理论是对CAP中一致性和可用性权衡的结果，要求实现最终一致性即可。

其中，Soft state（软状态）是指，在一个业务操作过程中，允许出现一个中间状态，也就是软状态，而不要求原子性那样，要么都完成，要么都不完成。例如在下单的时候，出现一个“正在处理”的状态。由于有这个软状态，那我的一致性，就不要求是强一致性，而是最终一致性，也就是说，只要最终这个请求能处理完，所有的数据状态都是处理完的状态；如果期间出错了，所有的数据也都一致，该失败的失败、该退钱的退钱、该重置的重置。

分布式事务的实现

所以，确定了分布式系统的实现原则是最终一致性以后，同时也明确了我们实现分布式事务的原则，也是最终一致性。

其实，不管是数据库事务的ACID特性，还是分布式事务的最终一致性，其实，都是根据事务的定义和它的两个目标，所采取的不同的实现方式。

那么我们应该怎么实现这个最终一致性呢？

单服务的分布式事务

首先，任何一个分布式系统，总是由一个个的系统组成，也就是一个个的服务，这些服务又可以部署多个。同时，我们的整个系统也需要一定的方式相互作用、相关通信。有时候，我们可以让一个服务直接调用另一个服务的接口(如果有提供的话)；还有时候，我们可以让两个服务通过一个MQ之类的消息中间件通信，共同完成一些业务。但是，无论如何，大部分情况下，分布式系统的一个服务总是会访问多个数据源。最典型的例子就是通过MQ接受一个事件，然后出发一些操作，再把结果发送到另一个队列里。

对于这种每个服务访问多个数据源的情况，其实就是一个最简单的分布式事务的场景。如果大家在网上搜“Spring分布式事务实现”，搜到的结果也都是在说这个场景下的分布式事务实现过程。

要实现这个事务，首先需要对Spring的事物机制有一定了解。对于这种情况，最简单的就是使用Spring的JTA事务管理。但是，我们知道，JTA事务管理是通过两阶段提交实现的，在很多情况下，它的效率是很低的。因为它在多个数据源修改数据的时候，这些数据一直都处在被锁的状态，知道多个数据源的事务都提交完成，才会释放。

如果不用JTA，Spring也给我们提供了几种方式，来近似的实现分布式事务（注意这里说的近似）。例如：

1. 事务同步，也就是提交一个事物的时候，通过Listener等方式通知另一个事务也提交。但是这种情况下，如果第二个事务提交的时候出错了，第一个事物就无法回滚，因为他已经提交完成了。
2. 链式事务，就是将多个事务，包装在一个链式事务管理器当中，在提交事务的时候，一次提交里面的事务。对于这种实现，也存在上面说的问题。
3. 还有其他的一些方式，就不过多说明。

所以，使用Spring在单服务多数据源的情况下，实现分布式事务，实际上没办法完全实现事务的，因为出错的时候不能保证都会滚。那么这时候，就需要再通过其他机制来补充。

1. 首先就是重试，也就是在出错的时候，重试之前的操作。这在有MQ的时候比较常用，因为一般的MQ服务器，在你读消息以后，处理的时候如果出错了，那么这个读消息的操作不会被提交。那这个消息就会被重新读到，重新出发刚才的操作。这时候，我们就需要考虑这个方法的幂等性，保证在重复消息的时候不会重复处理数据。
2. 其次，我们需要自己处理一些错误。例如上面的情况，重试几次以后，一直没有成功，那么这时候就需要走失败逻辑。有时候，我们也可以通过一个定时器来检查一定时间内没有完成的失败操作。
3. 有些情况下，我们还需要考虑其他各种错误，如网络错误、超时，系统宕机等等。

大家可以试想一下，分布式系统越复杂，它的各种出错的情况就越多，我们需要考虑的补救措施就越多。那这种修修补补的实现分布式事务的最终一致性的做法，始终不是一个好的办法。但是，使用Spring解决单服务的分布式系统，始终是分布式事务实现的基础。我们可以用其他的模式来方便我们解决分布式事务，但是在每个服务当中，我们还是要经常使用事务同步、链式事务等，来实现事务。我们用Spring来保证绝大多数情况下的事务问题，而对于特殊的错误情况，就采用其他的模式来解决。

分布式事务实现的模式

刚才说了我们用其他模式来觉得分布式事务问题，那么都有什么模式呢？

消息驱动（Event Driven）模式

消息驱动模式是，当某个业务请求需要由多个服务参与完成的时候，这些服务之前不直接通信，而是通过一个MQ中间件来通信。比如对于一个订单支付的请求，接收到支付完成的请求后，通过MQ，通知订单服务去完成订单，订单服务再去通知商品服务去减库存，再通知物流服务去发起物流流程。

那么，对于每一个服务来说，都需要先从一个队列读取一个消息，完成自己的业务操作，再往另一个队列发送一个消息，这就需要操作一个数据和一个MQ服务器。这也就是上面说的单服务的分布式事务实现。对于这种模式而言，我们用事务同步保证在每个服务中，在大部分情况下都能保证事务。即使偶尔出现网络错误、系统错误等，通过重试就能解决大部分问题。如果重试一直不能解决，那就再处理失败逻辑。

我们使用这种方式，最重要的，就是对这个消息、和他的处理流程的编排，其次，它也是一种响应式的编程思维。

事件溯源（Event Sourcing）模式

Event Sourcing在上面说的消息驱动的基础上，进一步提升事件（也就是之前的消息）的地位，让它成为系统的一等公民。也就是说，怎么的系统不是基于原先那些实体的，而是基于事件的，一个事件就代表一个业务操作和业务数据状态的更改。至于业务数据，我们不需要把它保存在数据库中，即使保存，也只是为了查询数据方便而保存。

在Event Sourcing模式中，每个服务完成某个逻辑的方式，跟上面说的消息驱动模式差不多，就是对于用户的每个操作，会产生一个事件（可能多个），这个事件会被某个服务的某个处理方法处理，它也有可能再产生其他的事件，再由其他服务处理，直到完成整个业务流程。但是，它跟消息驱动的最大区别就是，在Event Sourcing的服务里，业务状态数据不一定要保存在数据库中，就算保存，出错了也没关系，反正它可以根据Event事件重新生成。所以这个地方的事务，我们只需要保证Event保存成功即可。当然，我们需要其他的机制，方便我们能够重新生成业务数据，而这，一般都是实现Event Sourcing的框架来提供。

TCC（Try-Confirm-Cancel）模式

除了上面说的通过一个中间价关联不同的服务，在有些分布式系统当中，我们的不同的服务可以直接通信，例如Spring Cloud微服务框架就提供Rest方式访问别的服务。那么这时候，就相当于，我的一个服务除了访问自己的数据库以外，还要访问别的服务，这里的这个服务就可以当做是一个数据库。我们可能要调用别的服务的某个接口完成一些业务。

在这种情况下，一个服务提供的接口，不可能实现事务，也就是先操作数据，再Commit，如果出错了再Rollback。但是，我们可以借鉴事务的这种处理思路，来自己提供类似事务的方法，这就是TCC模式。一个事物是通过Do-Commit/Rollback来实现的，在TCC模式中，是通过给每一个服务间调用的操作接口，提供一套Try-Confirm/Cancel接口。

还是举一个例子，就是用户下单以后支付完成。支付完成的时候由先订单服务处理，然后调用商品服务去减库存。大家用Spring Cloud的话，可能就在商品服务里写一个接口直接做减库存的操作，但是在TCC模式下，我们需要3个接口。首先是减库存的Try接口，在这里，我们要检查业务数据的状态、检查商品库存够不够，然后做资源的预留，也就是在某个字段上设置预留的状态。然后在Confirm接口里，完成库存减1的操作。在Cancel接口里，把之前预留的字段重置。

这可能听着有点繁琐，感觉可以一次完成的事情，为什么要分成2步，首先这么做是为了能够在出错的时候正确的重置库存数据，其次这个预留操作跟Confirm操作是两个请求，中间可能会有其他并发请求。从理论上说，只要我们在Try接口里面预留资源的逻辑是正确的，那么，即使Confirm的时候出错了，我也可以通过重试Confirm请求来完成

使用数据库保存事务状态

这其实不是一种模式，只是一种方式。例如在TCC模式下，在准备调用Confirm接口的时候，目标服务突然宕机了，或者发起请求的服务突然宕机或出错了，导致这个Confirm请求一直没有被调用。那么，在系统恢复以后，我该怎么完成之前的事务呢？除了上面说的用定时器定期检查未完成的操作以外（需要能够通过某种数据状态判断业务没有执行完成后），我们还可以用数据库来记录事务的运行状态。

例如在TCC模式中，每当一个服务A要使用TCC模式调用另一个服务B的时候，服务A将这个TCC的事务状态写到数据库中，根据具体实现，可能是在调用前记录当前事务的状态，调用完成再保存该调用的参数和结果状态，这个事务完成以后（也就是调用完Confirm，或Cancel以后），再更新成完成的状态。那么，通过合理的设计，我们就能在各种出错情况下，保证能继续完成这个事务，或取消这个事务。

总结

总之，对于分布式事务来说，没有一个简单的像本地事物一样的实现方式，我们总是需要根据分布式系统的设计，根据业务需求，选择某种方式来保证数据的一致性。而且，在实现分布式事务的过程中，业务流程的设计也至关重要，不管是用TCC、消息驱动、还是EventSourcing。分布式系统的业务流程，实际上就是一个完备的状态机，这个状态机是否包含了所有的事件，是否包含了所有的业务路径，包括正常的、异常的，合理的设计业务流程，才能更好地实现分布式事务。