Redis队列在秒杀中本质是过滤而非排队,需通过Lua原子校验库存、用户资格等条件后才准入;应选用Stream+消费组保障消息不丢不重,并配合逻辑过期、分片、网关缓存防击穿,且预扣成功不等于订单成功,须辅以轮询与补偿。

倒计时结束那一秒,Redis队列根本没在“排队”,它在“过滤”
很多人误以为“用Redis队列削峰”就是把所有请求塞进一个List或Stream里慢慢消费——这是错的。倒计时结束瞬间涌进来的几万请求,如果真让它们全进队列,Kafka或Redis Stream的写入压力、消费者堆积、消息积压告警会立刻触发,而真正该被拦下的90%无效请求(比如重复点击、资格不符、风控拦截)反而占用了队列资源。真正的削峰,是从入口就做分流:只有通过Redis预校验的请求,才允许发消息;其余全部快速失败。
关键判断点有三个:stockKey是否存在、currentStock是否 ≥ 1、用户userId是否已在限流白名单或未触发风控规则。这三个检查必须原子完成,不能分两步读再写。
- 用
EVAL执行Lua脚本,保证“读库存→扣减→写日志→返回结果”四步不可分割 - 不要用
INCR/DECR单独操作库存值,避免在脚本外做条件判断导致竞态 - 脚本里对
stockKey加过期时间(如EXPIRE stock:123 3600),防止冷库存长期滞留
为什么不用Redis List而要用Stream + 消费组?
用LPUSH+BRPOP模拟队列,在秒杀场景下容易丢消息或重复消费:消费者崩溃时未ACK,消息就永远消失;多个消费者争抢同一条消息又可能重复下单。而Redis Stream配合XGROUP消费组,天然支持消息确认(XACK)、重试(XCLAIM)、死信归档(XADD dead_letter …),更适合订单这种强一致性要求的场景。
示例消费逻辑中,必须检查pending_count并设置合理的MAXLEN上限(比如XADD seckill_stream MAXLEN ~ 10000 *),否则内存爆满会导致Redis OOM。
- 生产端用
XADD seckill_stream * productId 123 userId 456 timestamp 1734692760 - 消费组名建议带活动ID,如
seckill_group_20261020,便于隔离和监控 - 消费者启动时先调
XREADGROUP GROUP seckill_group_20261020 consumer1 COUNT 10 STREAMS seckill_stream >,避免漏掉已入队消息
数据库击穿不是因为“并发高”,而是因为“缓存没兜住热Key”
倒计时结束那一刻,最危险的不是下单请求多,而是商品详情页、库存查询接口被疯狂刷——这些读请求如果穿透到MySQL,连接池瞬间打满。这时候光靠队列没用,得提前防住缓存层。
Drizzle ORM 是一个轻量级的 TypeScript ORM,提供类型安全的 SQL 模式声明、关系型和类 SQL 查询构建器,以及自动生成迁移。其压缩后仅 7.4kb,且无依赖项,支持 PostgreSQL、MySQL 和 SQLite,包括 Neon、Turso 和 Cloudflare D1 等无服务器数据库。
stock:123这种热Key一旦过期,所有请求都会撞向DB。解决方案不是简单加锁重建缓存,而是三手准备:
- 库存Key不设固定TTL,改用“逻辑过期”:值里存
{"stock": 99, "expireAt": 1734693000},应用层读取后判断是否过期,过期则异步刷新+返回旧值 - 对
stock:123做分片,比如按用户ID尾号拆成stock:123:0~stock:123:9,分散单Key压力 - 网关层对
/api/seckill/{id}/stock接口做本地缓存(Caffeine)+短TTL(如200ms),挡掉重复查询
最容易被忽略的点:Redis预扣成功 ≠ 订单创建成功
很多团队把preDeductStock()返回true就当成下单完成,前端直接跳转“抢购成功”。但此时消息可能还在Stream里排队,MySQL事务还没提交,甚至消费者进程都还没拉起。一旦中间环节出错(比如Kafka宕机、消费者OOM),就会出现“用户看到成功页,但查不到订单”的情况。
必须做两件事:
- 前端轮询订单状态接口(
/api/order/status?orderId=xxx),该接口优先查Redis缓存订单状态(order_status:xxx),再 fallback 到DB - 补偿服务定时扫描Redis中超过2分钟仍为
status:pre_seckill的订单Key,触发重试或人工干预
这个间隙期的存在,是秒杀系统“稳”和“快”的真实代价——你没法既让用户秒级感知成功,又保证每一环100%可靠。能做的,只是把不可靠环节压缩到最小,并让失败可追溯、可修复。

















