企学宝微服务架构拆分边界与灰度发布实践

分布式微服务架构的落地，从来不是一场简单的技术选型。对于企学宝这样的在线学习平台，每一步决策都直接牵动着产品的交付质量和客户的信任度。

一、拆分边界：不是“拆得越细越好”

微服务拆分的核心难点，其实就在于“拆到什么粒度”。拆得太粗，服务之间照样互相掣肘，解耦效果大打折扣；拆得太细，分布式事务的协调成本、运维的复杂度和资源开销，都会指数级上升。我们遵循“高内聚、低耦合”的原则，参考DDD（领域驱动设计）的思路，最终确定了这样一套拆分边界。

1. 核心业务域拆分

2. 关键决策：共用数据库 vs. 独立数据库

那么，数据库是共用同一个物理实例，还是各扫门前雪？在拆分初期，为了降低迁移风险，我们选择了“逻辑分离，物理暂不分离”的策略。

短期来看，各微服务仍然连接同一个MySQL实例，但通过不同的Schema（Database）进行严格区分，代码层面也禁止跨Schema查询。长期来看，随着业务压力增长，我们把report-service的读操作剥离到只读实例，后续还会将高频写入的大表（比如学习记录表、考试提交表）单独拆分数据库，彻底避免热点表拖慢核心交易链路。

3. 共享型服务的下沉

像文件存储（OSS）、信息通道、OCR识别这类通用能力，如果每个微服务都自己对接一遍，那就不是拆分了，而是给自己添堵。所以，我们专门构建了一层基础支撑层（Basic Service），统一封装阿里云OSS SDK，对外提供file/upload接口，让技术栈彻底收敛。

二、灰度发布：SaaS系统的生命线

对于企学宝这种ToB的SaaS产品，“升级零感知”可以说是底线要求。依托阿里云生态，我们搭建了一套相对完善的灰度发布体系。

1. 灰度策略设计

灰度规则的设计要考虑多个维度，确保新版本在可控范围内逐步放量：

• 租户维度（Tenant ID）：针对“友好客户”或付费等级高的客户，优先发布。
• 用户维度（User ID）：面向内部测试账号，或特定企业内的管理员账号先行验证。
• 流量比例（Traffic %）：全平台随机从1%逐步扩大到5%、20%，最后到100%，缓慢释放。

2. 技术实现：基于阿里云MSE + Spring Cloud Gateway

我们没有把灰度逻辑硬编码到业务代码里，而是借助阿里云MSE（微服务引擎）的全链路灰度能力来实现。

整体的运作流程是这样的：

1. 打标：在HTTP Header或Dubbo Attachment中注入灰度标识（比如gray=true或tenant_id=123）。
2. 网关路由：Spring Cloud Gateway识别请求头，将灰度流量转发到V2版本的Pod。
3. 服务透传：MSE Agent探针会把这个灰度标识在服务间调用（Feign/RPC）中全链路透传，确保灰度请求只调用下游的灰度服务，不会半路“跳”回V1。

# 示例：MSE 灰度规则配置（简化示意，实际通过MSE控制台配置标签路由）
strategy:
  conditions:
    - type: header
      key: X-Tenant-ID
      values: [ "888888", "999999" ] # 指定VIP租户ID
    - type: cookie
      key: gray_user
      values: [ "true" ]
  fallback: v1 # 非灰度流量走v1

3. 数据库兼容：新旧版本共存的关键

微服务拆分和重构的过程中，表结构难免发生变化。我们的原则很简单：“先兼容，后清理”。

• 新增字段：允许NULL值，确保V1版本写入时不报错。
• 删除字段：先在V1和V2代码里一起停止读取该字段，运行一段时间确认没有依赖后，再物理删除。
• 数据双写：在极端重构场景下，通过Canal监听Binlog或使用MQ进行数据双写，反复对比一致性。

4. 自动化回滚

Jenkins Pipeline里集成了健康检查接口（/actuator/health），发布V2版本后，会自动跑冒烟测试脚本。同时实时监控接口成功率、RT（响应时间）和JVM内存。一旦某个指标异常，30秒内就会自动触发回滚脚本，下线V2 Pod，切回V1版本。

三、踩坑实录

第一个绕不开的坑，是分布式事务。典型现象：员工学完一门课程，学习进度已经成功记录了，但积分却没到账——学习服务成功了，积分服务却失败了。解法其实很明确：尽量避开强一致分布式事务。我们改用RocketMQ事务消息来保证最终一致性（学习记录落库后发送可靠消息，积分服务异步消费）。极少数必须强一致的场景，采用TCC模式（Try-Confirm-Cancel），但业务侵入性比较高，使用起来得格外谨慎。

第二个坑是日志排查困难。一个请求跨5个微服务，排查故障要翻5台机器的日志，效率可想而知。后来引入了SkyWalking做全链路追踪，TraceId在网关层生成，通过MDC透传到所有RPC和HTTP调用。日志统一采集到SLS（阿里云日志服务），有了TraceId，秒级定位故障节点不再是问题。

第三个坑是本地调试地狱。本地启动一个服务，需要依赖十几个微服务，电脑卡得几乎没法用。最终靠Telepresence和阿里云Cloud Toolkit，把本地代码直接“插入”云端K8s集群，调用云端的依赖服务，实现云端联调，这才把效率提上来。

一句话总结：微服务不是用来炫技的，是用来解决实际问题的。清晰的拆分边界是根基，可靠的灰度发布是保障。对于企学宝这种SaaS产品而言，能安全、快速地迭代，才是最大的竞争力。