接手这个支付模块的时候,它已经在生产环境跑了四年多。表面上看,它一直挺"能用"——用户能正常付款,订单状态大致正确,偶尔出点小问题也有人工脚本兜底。但真正开始重构它之后,我才发现"能用"是这个行业里最危险的一个词:它意味着没人在乎状态机是否完整,没人在乎回调是否可靠,更没人在乎重复请求会不会把订单搞成两笔支付。直到某一天线上同时冒出一批"订单已支付但业务没反应"的工单,这个模块的底账才被彻底翻了出来。
我花了两个多月把这块老代码从"能跑就行"改成了"结构清楚、有状态约束、有幂等保护、有对账兜底"的模块,中间踩了不少坑,也总结出五件我认为最值得记住的事。这篇文章偏实战,适合正在接手支付、订单、交易类老模块的人;如果你们团队刚好打算做一次大范围重构,也可以把它当一份反向清单用。这篇我按自己实际操作的顺序来写:先讲动手前做了什么,再讲真正影响可靠性的五件事——状态机、幂等、超时重试与回调、对账、灰度。每一件都是这次重构里真实踩过坑的地方。
1. 动手之前,先把"能用"翻译成具体缺陷
1.1 我接手时的支付模块是什么状态
这个模块的代码不是那种一眼就看得出烂的"屎山",它甚至称得上工整:有分层、有注释、有工具类,核心方法还被人精心封装过。但问题恰恰藏在工整背后。一个支付service压了八百多行,状态字段用的是魔法数字,0表示未支付、1表示已支付、2表示退款中、3表示已退款,偶尔还有地方直接写布尔值表示"是否支付成功"。所有状态变更都是散装赋值,任何方法只要拿到订单对象,就能随手setStatus(1),完全没有前置校验。
更麻烦的是,整个模块对"重复"这件事几乎没有防御。回调处理逻辑里只有一句简单的update pay_order set status = 1 where order_no = ?,不管当前订单处于什么状态,只要支付成功回调来了,就无条件改成已支付。我后来翻git提交记录,看到第一个人写这段代码的时候加过一行注释:"这里需要判断订单状态,否则退款单会被覆盖。"结果三年过去,这行注释还在,判断始终没加上。这种代码就是典型的"能用"——只要所有外部系统都按顺序正常工作,它就不会出问题;可支付这个场景最不缺的就是乱序、重复和超时。
1.2 真正的问题清单来自日志和对账单,不来自code review
我一开始也犯了所有工程师都会犯的错:抱着源码从头读到尾,试图在代码层面找出所有不合理的地方。读了两天,列出来的问题全是风格层面的——方法太长、命名不规范、重复代码多。这些问题改起来舒服,但都不是这次重构要解决的真正的痛。
后来我把思路换了一下,不再盯着代码看,而是去翻线上问题单和日志。我把过去三年的支付相关工单全部拉出来,逐个打标签,再结合每月的对账单差异记录,最后得到一张很扎眼的清单:
| 问题现象 | 出现过的大致次数 | 影响 |
|---|---|---|
| 订单已支付成功,但业务侧没有发货/开通 | 十几次 | 用户投诉,需要人工补单 |
| 用户重复点击支付,生成了两笔支付单 | 七次 | 重复扣款风险,退款流程繁琐 |
| 已退款订单被支付成功回调改回已支付 | 三次 | 资金和订单状态严重不一致 |
| 支付中状态订单长时间卡住,无人处理 | 二十多次 | 用户流失,客服被反复问询 |
| 对账单与本地流水对不上,月底才发现 | 每月都有 | 财务核对成本高,差异难追溯 |
这张清单彻底改变了我的重构优先级。代码再丑,只要线上没出问题,短期内它就不算"必须改";而这张清单里的每一项,都是真实影响用户和资金的问题。后来我给自己定了个规矩:重构任何老模块,先回答"它最近一年在线上捅过哪些娄子",再决定从哪下手。
1.3 把重构范围圈出来,别顺手把整个体系都换了
一开始我是想借着这次重构,把支付模块的底层表结构、对外接口、数据库连接方式全都换掉。还好当时拉住了自己。支付模块和普通业务模块不一样,它牵扯资金、对账、下游通知、第三方网关,任何一个环节出问题都不是发个热修能解决的。
最后我划定了一个很明确的范围:内部支付处理逻辑、回调处理、退款流程、超时任务、对账任务这五块可以改;库存表结构、第三方网关接
