如何实现跨平台订单优惠计算

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。

1. 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

2. 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

3. 没有设计活动互斥，互斥逻辑是硬编码在活动处理类中的

4. 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

5. 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

6. 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

• 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

• 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。✅

简单介绍下 TypeScript特点:

• 提供了静态类型，编译时静态类型检查可以避免不少低级错误

• 对代码重构和补全提示友好

• 多人协作起来，降低了沟通成本

• 可以编译成 JavaScript运行在各端

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：

1. 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

2. 商家可以任意配置优惠活动的使用顺序和使用策略

3. 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：

1. 规范了活动处理流程

2. 活动处理顺序可配置化

3. 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：

// 活动互斥容器class PromotionMutex {  test(a: PromotionType, b: PromotionType): boolean;}
const promotionMutex = new PromotionMutex();
// 活动优惠计算处理abstract class Processor<T> {  process({ skuWrappers }) {    // 获取处理器关心的活动类型    const type = this.getType()    // 迭代SKU列表， 筛选出可用的商品(没有参与互斥活动)    const availableSkuList = 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

1. 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

2. 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

• 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

• 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：

• 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

• 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

// SKU的包装类class SkuWrapper {  // 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interface ItemStats {  // 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class Condition {  // 包含 SKU isContains(sku:Sku);}
// 组合级活动的门槛class CombineCondition extends Condition {  // 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class Preferential {  // 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:

_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        const preferentialPrice = preferential.calcPreferentialPrice(          sku.salePrice        );        // 生成优惠方案        const plan = {          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：

1. 关心的活动类型

2. 处理活动数据（基础信息 + 门槛 + 优惠）到活动泛型的映射

3. 处理自身活动泛型和商品，生成和应用优惠方案

abstract class Processor<T> {  abstract types(): PromotionType[];  abstract ownModelMappings(promotion: Promotion): T;  abstract _process(ctx: ProcessorContext<T>): 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：

// 门槛和优惠比例 1:1{  condition: {type, value},  preferential: {type, value}}
// 优惠计算处理class FooProcessor extends Processor<Foo> {  // 将数据转换为活动对应的泛型  ownModelMappings(p: Promotion): Foo {    return new Foo(p);  }
  _process({foo}){    // do sth  }}
// 门槛模型class Condition {  constructor(c) {    // 合并数据和行为     Object.assign(this, c);  }
  isContains(sku:Sku);}
class Foo {  constructor(p: Promotion) {        this.condition = new Condition(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。

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

// 定义匹配函数type Matcher = (condition: Condition, sku: Sku) => boolean;// 原价才能使用const originPriceMatcher = (condition: Condition, sku: Sku) => true// SKU维度标识匹配const skuIdentityMatcher = (condition: Condition, { goodsId, skuId }: Sku) => false// 组合匹配const composeMatcher = (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const originPriceWithSkuIdentityMatcher = 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 ✅

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：

1. 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

2. 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

3. 将新的版本信息发布到配置中心

4. 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

5. 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

6. 当前环境确认服务稳定，同步至下个环境。跳转至 4

7. 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 ✅

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