DDD 与 CQRS 才是黄金组合，你觉得呢？
在日常工作中，你是否也遇到过下面几种情况：
- 使用一个已有接口进行业务开发，上线后出现严重的性能问题，被老板当众质疑：“你为什么不使用缓存接口，这个接口全部走数据库，这怎么能抗住！”
- 开发一个后台管理功能，业务反馈说数据一直不对，对比后发现缓存与数据库不一致，为什么要使用缓存接口呢，你陷入沉思？
- 产品要求在 xxx 上增加新功能，编码、测试、上线一气呵成，最后发现另外一个流程被躺枪，出现异常不得不进行回滚！
- 在一个高并发的场景，DB 成为了系统瓶颈，不加索引查询扛不住，加索引更新扛不住，又该如何处理？
- 随着数据量的激增，系统变得越来越慢，特别是后台管理复杂的查询场景下，复杂的 Join 让 DB 不堪重负
- ……
为什么会出现这种现象？其本质仍旧是代码组织结构不合理，我们将不同的复杂性揉在一起，从而造成了更大的复杂性，然后如此往复，不知不觉中陷入巨大的复杂性旋涡不可自拔。
1. CQRS 是什么？
CQRS 是 Command Query Responsibility Segregation 得简称，简单理解就是对 “写”（Command） 和 “读” （Query）操作进行分离。反应快的同学会说：“也不是什么高深技术吗，不就是数据库的读写分离吗？”
是的，数据库的读写分离也算是一种 CQRS，但 CQRS 的含义要比这复杂的多。
CQRS 的核心是“拆分”，将复杂系统拆分为 Command 和 Query 两个部分，针对不同的场景使用不同的模式，选择最合适的技术落地最佳解决方案，避免两者相互掣肘相互影响。
CQRS的目的是降低整个系统的复杂性，那它背后的逻辑是什么？
假设，在一个系统中：
- Command 的复杂性为 M
- Query 的复杂性为 N
如果使用同一套模型来处理 Command 和 Query，那在极端情况下，系统的复杂性为 M * N，因为两者相互影响，调整一方的同时要时刻关注对另一方的影响。
这种“你中有我，我中有你”的设计方式，“两者的相互影响”成为系统最为复杂之处，大量精力消耗在“排查影响”，而非最有价值的设计和编码。
如果，将 Command 和 Query 彻底分离，系统的复杂性变成 M + N。Command 的变更不会影响 Query，而 Query 的修改也不会影响 Command。
当然，以上两个极端在实际工作中也很少见，通常系统的复杂性介于两者之间。
这只是从理论进行推导，在实际工作中随处可见的“冲突”也是对“拆分”的一种暗示。
2. 分层架构中的冲突
以最常见的分层架构进行介绍，具体如下：
如图所示，将系统分成5层，每层的含义如下：
- Web 接入层。主要用于处理系统输入，对输入信息进行验证，调用应用服务完成业务操作，对结果进行转换，最终返回给调用方；
- 应用服务层。主要处理业务流程编排，从仓库中获取领域对象，执行领域模型的业务操作，将最新的对象状态通过仓库同步到数据存储引擎，并对外发布领域事件；
- 领域层。业务逻辑的承载点，是业务价值的集中体现，通常构建于面向对象设计之上，基于封装、继承、多态等特性保障业务逻辑的复用性和扩展性；
- 仓库层。主要用于数据访问，向上为应用服务提供数据操作服务，向下屏蔽各类存储引擎的差异；
- 数据层。主要用于数据保存和检索，常见的数据存储引擎全部属于这一层，比如 MySQL、redis、ES 等；
其实，分层架构本身也是一种“拆分”，将不同的关注点封装在不同的层次。但除了横向分层，还可以基于 CQRS 对其进行纵向拆分，也就是将每个层的组件拆分为 Command 和 Query 两部分。
由于接入层冲突较小，本身拆分的意义不大，在此不做要求，但从严格意义上讲，仍旧建议进行拆分。
3. 应用服务层冲突与拆分
应用服务层拆分就是将一个应用服务拆分为 CommandService 和 QueryService 两组。
这样做可以避免很多不必要的麻烦，Command 和 Query 存在较大的区别，具体如下：
|
|
CommandService |
QueryService |
|
依赖组件不同 |
ValidateService 验证服务；LazyLoaderFactory 延迟加载服务；CommandRepository 不带缓存的仓库；EventPublisher 事件发表器 |
QueryRepository 带缓存功能的仓库；JoinService 数据聚合服务；Converter 数据转换服务 |
|
核心流程不同 |
验证、加载、业务操作、同步、发布事件 |
验证、加载、数据组装、转换 |
|
功能加强不同 |
主要是事务管理器 |
主要是缓存组件 |
回想开篇时提到的场景，完成应用层拆分，就不在为使用错组件而烦恼：
- CommandService 的 Repository 不使用缓存，仅操作数据库
- QueryService 的 Repository 可以使用缓存，以提升访问性能
除此之外，针对统一的操作流程，还可以进一步抽象来消除重复的“模板代码”，比如：
- 引入“模板方法设计模式” 以达到核心逻辑的复用
抽象出 BaseCommandService 和 BaseQueryService 两个父类用于统一核心流程
子类实现 BaseCommandService 和 BaseQueryService 的抽象方法完成功能扩展
- 基于“约定优于配置” 使用 Proxy 模型，只定义接口不写实现代码
- 按规范定义 CommandService 和 QueryService 接口，通过注解完成相关配置
- 自动生成 Proxy 实现类，完成流程编排
4. 模型层冲突与拆分
模型层是系统的核心，它的设计直接影响整个系统的质量。作为承接业务逻辑的核心，比较流程的实现策略包括：
- DDD 领域驱动设计，其核心是使用面向对象的高级特性（封装、继承、多态、组合等）来进行设计，非常适合复杂的业务场景。其体现就是存在很多高内聚低耦合的对象组（聚合根），业务逻辑由这些小对象相互协作共同完成；
- 事务脚本，使用过程式思维，将数据操作编织到流程中，比较适合并不复杂的业务场景。其体现就是存在很多“上帝 Service”，Service 中存在很多非常长的方法，业务逻辑由这些方法完成；
关于哪个才是最优解，网上已经争论多年，最终也没有结论。但我始终认为“没有业务场景就讨论方案，就是在耍流氓”。
从不同应用场景出发便可得到如下结论：
- Command 场景需要保障严谨的业务逻辑，通常复杂性偏高，所以DDD 是最优解
- Query 场景需要更灵活的数据组装能力作为支持，通常比较简单，所以 事务脚本 是最优解
我经常说：“最简单的“写”也是复杂，最复杂的“读”也是简单”，其背后逻辑是基于对 Command 和 Query 的场景判断。
将模型拆分为 Command 和 Query，具体如下：
完成模型拆分后，新模型具有以下特征：
- Agg 也就是 DDD 中聚合根，主要用于处理复杂的 Command 逻辑，由具有大量业务操作的"富对象"构成；
- View 是标准的 POJO，主要充当 Query 结果对象，典型的“贫血对象”，仅作为数据的载体，根据展示需求对数据进行组装；
- View 没有自己的 Repository，只能依赖 CommandRepository 获取数据，Converter 组件负责将 Agg 模型转换为 View 模型；
这块是拆分的重点，为了方便理解，简单举个例子：
比如在电商的订单模块：
- 生单流程，由 Order 作为聚合根对内部 OrderItem 和 PayInfo 进行统一协调
- 订单列表页，只需展示 Order 和 User 信息
- 订单详情，需要展示Order、User、Address、OrderItem、PayInfo、Product等信息
如果让一个模型同时支持着三个场景，那模型自己就变的非常复杂，很难判断某个方法、某个字段究竟属于哪个场景。
此时，应该根据场景对模型进行拆分：
- OrderBO 以 DDD 方式进行建模，对外提供统一的业务操作，对内协调 OrderItem 和 PayInfo 等多个实体对象；
- OrderListVO 以 POJO 方式进行建模，属性中包含 Order 和 User 信息；
- OrderDetailVO 以 POJO 方式进行建模，属性中包括 Order、User、Address、OrderItem、PayInfo、Product 等信息；
三个模型相互独立，互不影响。
当然，由于使用统一的 Repository 还需提供对应 VO 的 Converter：
- OrderListVOConverter 将 OrderBO 转换为 OrderListVO 对象
- OrderDetailVOConverter 将 OrderBO 转化为 OrderDetailVO 对象
5. 仓库层冲突与拆分
仓库层拆分也是非常有必要的，在这一层主要有几项冲突：
|
|
CommandRepository |
QueryRepository |
|
底层实现不同 |
主要基于 DB 实现 |
基于 DB、Redis、ES 等多种存储引擎 |
|
方法复杂性不同 |
提供仅有的少量方法并足以支持大多数场景，比如 save、update、getById 等 |
根据业务场景进行定制，方法多种多样（单条、批量、分页、排序、统计等），维度多种多样（id、user、status） |
|
返回值不同 |
直接返回装配完整的富对象 |
根据业务场景定制返回值 |
仓库拆分后整体架构如下：
仓库拆分具有以下特点：
- View 不在需要 Converter 组件完成数据转换
- View 的数据来自于自己的 Repository，可以根据展示需求进行灵活定制
- Command 和 Query 仍旧使用同一套数据库、同一套数据表
6. 数据层冲突与拆分
数据层拆分是最重要的拆分，提到分离第一反应也是“数据库主从分离”。
数据层拆分的本质是：各种数据存储引擎的最佳应用场景相差巨大，读 和 写 优化往往存在矛盾。
仍旧以最常见的数据库为例：
- 提升查询性能，建议为各种查询维度建立索引
- 提升写入性能，需要让表上的索引越来越少
- 为了加速更新性能，建议使用三范式设计表结构，减少冗余信息
- 为了加速查询性能，建议使用反范式设计，尽量冗余数据，避免数据表间的 Join 操作
鱼和熊掌不可兼得，在数据库层展示的淋漓尽致！
数据层拆分后架构如下：
该模型具有以下特点：
- 数据存储进行了彻底拆分；Command 和 Query 都可以灵活的选择最合适的存储引擎；
- Command 与 Query 需要引入一套同步机制以完成两者的数据同步，常见的同步机制有：
工作在应用层基于领域事件的数据同步，如图所示
工作在数据层基于log的数据同步，如 MySQL 的主从同步、Canal2XX 等
数据层拆分是大型系统最终的归宿，仍旧以订单系统为例：
- 订单作为一致性要求极高的系统，Command 侧首选仍旧为具有 ACID 的关系型数据库，哪怕是分库分表底层存储仍旧不变；
- 为了满足高性能查询需求，需要在 Query 侧引入 Redis 作为分布式缓存对访问进行加速；
- 为了满足后台复杂且多维度的业务查询，需要在 Query 侧引入 ES 为全文检索进行加速；
- 为了满足各种实时报表需求，需要在 Query 侧引入 TiDB 以满足海量数据的实时检索；
这就是我们面临的现状：“数据密集型系统”越来越多的应用程序有着各种严格而广泛的要求，单个工具不足以满足所有的数据处理和存储需求。取而代之的是，总体工作被拆分成一系列能被单个工具高效完成的任务，并通过应用代码将它们缝合起来，通过 API 的方式，对外提供服务，屏蔽内部的复杂性。
7. 小结
“拆分”是“分离关注点”的重要手段之一。拆分的目的是将问题进行归类，然后采取有针对性的手段更好的解决问题。
CQRS 作为一种架构，将业务系统不同部分进行归类，接下来需要为 Command 和 Query 寻找最优解决方案：
- Command，以 DDD 作为理论基础将战术模型中最佳实战进行落地，包括
聚合设计
仓库设计
LazyLoad + Context 模式
业务验证
领域事件
…
