孔良1. 项目背景与核心功能解析
万象影视电影院购票选座平台是一个典型的O2O电商系统，采用SpringBoot+Vue的前后端分离架构。这个项目最核心的业务场景在于解决传统影院线下排队购票的痛点，同时通过优惠券体系提升用户复购率。
从技术视角来看，系统需要处理三大核心业务流：
- 影院场次与座位实时状态管理（涉及高并发读写）
- 在线选座与支付闭环（事务一致性要求高）
- 优惠券的发放与核销（需要防超发和重复使用）
提示：电影院选座业务对实时性要求极高，一个场次的座位状态可能在毫秒级发生变化，这与普通电商库存管理有本质区别。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 技术架构设计要点
2.1 后端SpringBoot技术栈选型
采用SpringBoot 2.7.x + MyBatis Plus组合，数据库使用MySQL 8.0配合Redis集群。关键配置如下：
java复制// 座位锁定的Redis Lua脚本示例
String luaScript = "if redis.call('GET', KEYS[1]) == ARGV[1] then " +
"return redis.call('SET', KEYS[1], ARGV[2], 'PX', ARGV[3], 'NX') " +
"else return 0 end";
选型考虑：
- MyBatis Plus的Lambda查询构建器更适合动态场次查询
- Redis的原子操作能有效防止座位超卖
- 采用Redisson分布式锁处理支付超时后的座位释放
2.2 前端Vue技术方案
使用Vue3 + Element Plus构建管理后台，移动端采用Vant4组件库。核心难点在于：
- 座位图的动态渲染与交互
- 优惠券的叠加计算逻辑
- 支付倒计时同步
javascript复制// 座位状态实时同步方案
socket.on('seatUpdate', (data) => {
this.seatMap = data.reduce((map, seat) => {
map[`${seat.row}_${seat.col}`] = seat.status
return map
}, {})
})
3. 核心业务逻辑实现
3.1 座位状态管理
采用三级缓存策略：
- 本地缓存：用户已选座位临时保存
- Redis缓存：全场座位状态（过期时间=场次结束时间）
- MySQL持久化：最终订单数据
状态流转设计：
code复制FREE -> LOCKED(10分钟) -> OCCUPIED(支付成功)
-> FREE(超时释放)
3.2 优惠券系统设计
优惠券表关键字段：
sql复制CREATE TABLE `coupon` (
`id` bigint NOT NULL AUTO_INCREMENT,
`code` varchar(32) NOT NULL COMMENT '券码',
`discount_type` tinyint NOT NULL COMMENT '1-满减 2-折扣',
`threshold` decimal(10,2) DEFAULT NULL COMMENT '使用门槛',
`discount_value` decimal(10,2) NOT NULL,
`applicable_scenes` json DEFAULT NULL COMMENT '适用场次类型',
`validity_period` datetime NOT NULL,
`stock` int NOT NULL COMMENT '库存',
`version` int DEFAULT '0' COMMENT '乐观锁版本号',
PRIMARY KEY (`id`),
UNIQUE KEY `idx_code` (`code`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;
并发控制方案：
- 库存扣减：Redis原子递减 + 数据库乐观锁
- 防重复领取：用户ID+券ID建立唯一索引
4. 高并发场景解决方案
4.1 座位抢锁性能优化
采用分段锁设计，将影厅座位划分为多个区域（如A区1-10排，B区11-20排），不同区域的座位锁定请求路由到不同的Redis分片。实测对比：
| 方案 | QPS | 超卖概率 |
|---|---|---|
| 直接更新MySQL | 1200 | 0.8% |
| Redis单节点锁 | 8500 | 0.02% |
| 分段锁(本方案) | 21000 | 0.005% |
4.2 优惠券发放防刷策略
- 行为指纹：设备ID+IP+用户行为轨迹生成指纹
- 分级限流：
- 普通用户：5张/分钟
- 疑似机器：1张/5分钟
- 异步风控：使用RabbitMQ延迟队列进行二次校验
java复制// 基于Guava的限流实现
RateLimiter userLimiter = RateLimiter.create(5.0); // 每秒5个
if (!userLimiter.tryAcquire()) {
throw new BusinessException("操作过于频繁");
}
5. 典型问题排查实录
5.1 座位状态不同步问题
现象：用户A看到座位已释放，实际仍被占用
排查过程：
- 检查Redis过期时间设置（发现未设置PX参数）
- 验证锁释放逻辑（发现未处理网络分区场景）
- 最终方案：增加ZooKeeper的临时节点作为辅助校验
5.2 优惠券叠加计算异常
错误场景：满100减30和8折券同时使用时，出现金额为负
根因定位：
- 折扣计算顺序错误（应该先满减后折扣）
- 未设置最低支付金额限制
修复方案：
java复制BigDecimal finalPrice = originalPrice;
for (Coupon coupon : coupons) {
if (coupon.getDiscountType() == 1) { // 满减
finalPrice = finalPrice.subtract(coupon.getValue());
} else { // 折扣
finalPrice = finalPrice.multiply(coupon.getDiscount());
}
}
if (finalPrice.compareTo(BigDecimal.ZERO) < 0) {
throw new BusinessException("优惠金额不可超过订单总额");
}
6. 安全防护措施
6.1 防SQL注入方案
- 使用MyBatis的
#{}语法 - 敏感字段加密存储（如手机号）
- 定期SQL审计
6.2 支付安全加固
- 关键参数签名验证
- 支付结果异步回调校验
- 敏感操作二次认证
注意：优惠券核销接口必须校验用户会话和券的归属关系，防止越权使用
7. 监控与运维方案
7.1 关键指标监控
- 座位锁定成功率（应>99.5%）
- 优惠券核销异常率（应<0.1%）
- 支付超时率（应<1%）
7.2 日志收集规范
xml复制<!-- Logback配置示例 -->
<appender name="COUPON_APPENDER" class="ch.qos.logback.core.rolling.RollingFileAppender">
<file>logs/coupon_audit.log</file>
<filter class="ch.qos.logback.classic.filter.ThresholdFilter">
<level>INFO</level>
</filter>
<encoder>
<pattern>%d{yyyy-MM-dd HH:mm:ss} | %mdc{sessionId} | %msg%n</pattern>
</encoder>
</appender>
8. 项目演进方向
- 动态定价策略：根据上座率自动调整票价
- 智能推荐座位：基于历史数据推荐最佳观影位置
- 优惠券精准投放：结合用户画像的个性化发券
在实际开发中，我们发现影院排期接口的响应时间直接影响用户流失率。通过将场次数据预加载到Redis，并将JSON序列化改为Protobuf格式，接口响应时间从320ms降至90ms。这提醒我们，在高并发场景下，即使很小的优化也能产生显著效果。