令人头疼的分布式事务，一次讲明白！

发布时间：2025-11-05 10:41:01 来源：创站工坊 作者：人工智能

前言

分布式的令人 CAP 理论应该是人尽皆知了，它描述了一致性（C）、头疼可用性（A）、布式分区容错性（P）的事务一系列权衡。

很多时候，次讲我们要在一致性和可用性之间权衡，明白而分布式事务，令人就是头疼在这个大的前提下，尽可能的布式达成一致性的要求。

目标很小，事务问题很大，次讲做法也各有不同。明白

“如何在微服务中实现分布式事务？令人”一般在被问到这样的问题时，我都会回答“要尽量避免使用分布式事务”，头疼这也是布式 Martin Fowler 所推荐的。

但现实总是残酷的，拆分了微服务之后，分布式事务是非常硬核的需求，是绕不开的云服务器，我们依然要想办法搞定它。

但分布式环境错综复杂，还伴随着网络状况产生的超时，如何让事务达到一致性的状态，难度很大。

分布式事务，由一系列小的子事务组成。这些子事务，同大的分布式事务一样，同样要遵循 ACID 的原则。

在一致性这个属性上，根据达到一致性之前所存在的时间，又分为强一致性和最终一致性（BASE）。

注意，对于子事务，这里有个小小的误解。并不是只有和数据库打交道的操作，才叫做事务。

在微服务环境下，如果你通过 RPC 调用了另外一个远程接口，并造成了相关数据状态的变化，这个 RPC 接口，免费信息发布网也叫做事务。

所以，在分布式事务中，我们把这些子事务涉及到的操作，叫做资源。当操作能正常完成的时候，根本不需要什么额外处理。事务主要处理的是发生异常之后的流程。

下面，我们就来看一下常见的分布式事务解决方案。

一阶段提交（1PC）

先来看一下最简单的事务提交情况。

如果你的业务，只有一个资源需要协调，那么它可以直接提交。比如，你使用了一个数据库，那么就可以直接使用 begin，commit 等指令完成事务提交。

在 Spring 中，通过注解，就可以完成这样的事务。如果发生了嵌套事务，它的实现方式，亿华云计算本质上，是通过 ThreadLocal 向下传递的。所以如果你的应用中有子线程相关的事务需要管理，它办不到。

我们再来看分布式事务。所谓的分布式事务，就是协调 2 个或者多个资源，达到共同提交或者共同失败的效果，也就是分布式的 ACID。

两阶段提交（2PC）

在一阶段提交的概念扩展下，最简单的分布式事务解决方案，就是二阶段提交。二阶段提交不是指有两个参与资源，而是说有两个分布式的协调阶段，它可能有多个资源需要协调。

广义上的 2PC（two phase commit），有哪两阶段呢？

准备阶段，也叫做 voting 阶段。所谓的 voting，就是参与者告知协调者，自己的资源到底是能够提交（代表它准备好了），还是取消本次事务（比如发生异常）。

这个投票比较有意思，只要有一个参与者返回了 false，本次事务就需要终止，然后执行 rollback。只有全票通过，才会正常 commit。协调者将这个结果，周知所有参与者的这个过程，就是二阶段。

二阶段提交其实非常容易理解。你可以把每个参与者的执行，想象成正常的 SQL 更新语句。

它们一直挂在那里等待，直到协调者给出确切的 commit 或者 rollback 消息，才会正常往下执行。

如下：

对于第三点，我们举个例子。比如你的 commit-request 阶段全部返回了 yes，然后协调者发送了 commit 指令。

但这时候，有一台服务器 A 宕机了，无法执行这个 commit。这时候，我们的 client 也会收到成功的消息。

A 机器重启之后，要有能力来恢复、继续执行 commit 指令，这些都是工程上必须要处理的。

2PC 也叫做 XA 事务，大多数数据库如 MySQL，都支持 XA 协议。在 Java 中，JTA（不是什么 JPA 哦）是 XA 协议的实现。

Spring 也有 JTA 的事务管理器：

三阶段提交（3PC）

相比较二阶段提交，三阶段提交最典型的特点是加入了超时机制。当然，3 阶段证明了它有三个阶段，这个差别更显著。它本质上只是 2PC 的一些改进，所以身上完全充满了 2PC 的影子。

3PC 和 2PC 是一样的。

3PC 比 2PC 多了一个步骤，那就是询问阶段：

提交阶段，无非就是发送个 commit 或者 rollback 指令，重要的处理还是在准备阶段，3PC 把它一拆为 2。

注意下面这个对应关系哦，2PC 和 3PC 都有一个准备阶段，但它们的作用是不同的。

3PC 2PC

CanCommit commit-request/voting

PreCommit

DoCommit commit

3PC 的询问阶段，对应的才是 2PC 的准备阶段，都是 ask 一下参与者是否准备好了，但执行过程会有一些区别。

为什么要这么做？因为 2PC 有效率问题。2PC 的执行过程是阻塞的，一个资源在进入准备阶段之后，必须等待所有的资源准备完毕才能进行下一步，在这个过程中，它们对全局一无所知。

比如，有 ABCDE 等 5 个参与者，E 其实是一个有问题的参与者资源。但 2PC 每次都会执行 ABCD 的预提交，当询问到 E 的时候，发现是有问题的，再依次执行 ABCD 等参与者的 rollback。

在这种情况下，ABCD 执行了无用的事务预处理和 rollback，是非常浪费资源的。

3PC 通过拆分这个询问阶段，在确保所有参与者建康良好的情况下，才会发起真正的事务处理，在效率和容错性上更胜一筹。

从概率上来讲，由于 commit 之前粒度变小了，commit 阶段出问题的几率就变小，能省下不少事。

另外，3PC 引入了超时机制。在 PreCommit 阶段，如果超时，就认为失败；而在 DoCommit 阶段，如果超时还会继续执行下去。但不论怎样，整个事务并不会一直等待下去。

3PC 理论上是比较优秀的，还能够避免阻塞问题，但它多了一次网络通信。如果参与者的数量比较多，网络质量比较差的情况下，这个开销非常可观。它的实现也比较复杂，在实际应用中，是不太多的。

3PC 也并不是完美的，因为 PreCommit 阶段和 DoCommit 也并不是原子的，和 2PC 类似，依然存在一致性问题。

TCC

TCC 是柔性事务，而上面介绍的都是刚性事务。有时候，一个技术问题，可以通过业务建模来实现。

2PC 和 3PC 在概念上看起来虽然简单，但放在分布式环境中，考虑各种超时和宕机问题，如果考虑的周全，那可真是要了老命。

2PC 的框架还是比较多的，但 3PC 全网找了个遍，发现有名的实现几乎没有。

不要伤心，我们有更容易理解，更加直观的分布式事务。那就是 TCC，2007 年的老古董。

TCC 就是大名鼎鼎的补偿事务，是互联网环境最常用的分布式事务。它的核心思想是：为每一个操作，都准备一个确认动作和相应的补偿动作，一共 3 个方法。

与其靠数据库，不如靠自己的代码！2PC，3PC，都和数据库绑的死死的，TCC 才是码农的最爱（意思就是说，你要多写代码）。

如上图，TCC 同样分为三个阶段，但非常的粗暴：

看起来这三个阶段，是2阶段提交的一种？完全不是。但它们的过程可以比较一下。

TCC 2PC

Try 业务逻辑

Confirm commit-request/voting + commit

Cancel rollback

从上面可以看出来，2PC 是一种对事务过程的划分，而 TCC 是对正常情况的提交和异常情况的补偿。

相对于传统的代码，try 和 confirm 两者加起来，才是真正的业务逻辑。

TCC 是非常容易理解的，但它有一个大的前提，就是这三个动作必须都是幂等的，对业务有一定的要求。

拿资金转账来说，try 就是冻结金额；confirm 就是完成扣减；cancel 就是解冻，只要对应的订单号是一直的，多次执行也不会有任何问题。

由于 TCC 事务的发起方，直接在业务节点即可完成，和 TCC 的代码在同一个地方。

所以，TCC 并不需要一个额外的协调者和事务处理器，它存放在本地表或者资源中即可。

是的，它也要记录一些信息，哪怕是 HashMap 里，否则它根据啥回滚呢？

TCC 事务，需要较多的编码，以及正确的 try 和 confirm 划分。由于没有中心协调器，不需要阻塞，TCC 的并发量较高，被互联网业务广泛应用。

团队要有能力设计 TCC 接口，将其拆分成正确的 Try 和 Confirm 阶段，实现业务逻辑的分级。

ByteTCC、tcc-transaction、seata 等。

SAGA

SAGA 也是一个柔性事务。saga 的历史更久远，要追溯到 1987 年的一篇论文，可以说是瓶旧酒。它主要处理的是长活事务，但它不保证 ACID，只保证最终一致性。

所谓长活事务，可以被分解成交错运行的子事务，它通过消息，来协调一系列的本地子事务，来达到最终的一致性。

我们可以把 SAGA 编排器，想象成一个状态机。每当处理完一条消息，它就能够知道要执行的下一条消息（子事务）。

比如，我们把事务 T，拆分成了 T1，T2，T3，T4。那么我们就必须为这些子事务，提供相应的执行逻辑和补偿逻辑。

没错，和 TCC 一样，不过比 TCC 少了一步 Try 动作，同样要求这些操作是幂等的。

你瞧瞧，其实 SAGA 的概念很好理解，你就按照正常的业务逻辑去执行就行了。只不过如果在任何一步发生了异常，就要把前面所提交的数据全部回滚（补偿）。唯一特殊的是，它通常是通过消息驱动来完成事务运转的。

如果你非要追求它的本质，那就是 SAGA 和 TCC 一样，都是先记录执行轨迹，然后通过不断地重试达到最终状态。

上图是 rob vettor 所绘制的一个典型的 SAGA 事务拆分图。在图中，黑色的线为正常业务流程，红色的线为补偿业务流程。

这是一个简单的电子商务结账流程，整个交易跨了 5 个微服务，可以说是非常大的长事务了。

可以看到，这样的事务流转，靠文字描述已经是不好理解了，所以 SAGA 通常会配备一个流程编辑器，直接来把事务编排的过程可视化。

那问题就有意思多了：

在《微服务架构设计模式》的第四章中，说明了 SAGA 的具体使用示例，现在网络上的大多数文章都来自于此。

但据我所知，使用 SAGA 的互联网公司并不是很多，倒是使用 TCC 的比较多一些（可能是遇到的分布式事务都不是长事务）。

seata 同样提供了 SAGA 的方式，主要使用的是状态机驱动的编排模式。为了支持事务的编排，seata 提供了一个专用的流程编辑器（在线）。

http://seata.io/saga_designer/index.html

设计完毕之后，就可以导出为 JSON 文件，解析之后可以写入到数据库中。bytetcc 虽然叫 tcc，它也支持 SAGA。

上面也提到，我在平常工作中，用到 TCC 比 SAGA 更多一些，也是由于业务场景确定的。

下面简单的对比一下：

本地消息表

本地消息表的使用场景比较局限，它要靠 MQ 去实现，它解决的是数据库事务和 MQ 之间的事务问题。

如图，有一个分布式事务，在正常落库之后，需要通过 MQ 来协调后续业务的执行。但是，写 DB 和写 MQ，是无法达成一致性的，就需要加入一个本地消息表来缓存发送到 MQ 的状态。

下面我来描述一下这个过程：

通过这样的循环，就可以达到本地 DB 和 MQ 消费者状态的一致性，完成最终一致性的分布式事务。

可以看到，我们有重发 MQ 的过程，所以这种模式要求消费者也要实现幂等的功能，避免重复对业务产生影响。

使用本地消息表方案的系统还是挺多的，但它的弊端也显而易见：

最大努力补偿

最大努力补偿，是一种衰减式的补偿机制。

拿个最简单的例子来说吧。如果你是微信支付的接入方，微信支付成功之后，它会将支付结果推送到你指定的接口。

微信支付+你的支付结果处理，就可以算是一个大的分布式事务。涉及到微信的系统还有你的自有系统。

如果你的系统一直处理不成功，那么微信支付就会一直不停的重试。这就叫最大努力补偿，用在系统内和系统间都是可以的。

但也不能无限的重试，重试的间隔通常会随着时间衰减。常用的衰减策略有。

messageDelayLevel = 1s 5s 10s 30s 1m 2m 3m 4m 5m 6m 7m 8m 9m 10m 20m 30m 1h 2h

上面的公式，意味着如果一直无法处理成功，将在 1s...，最大 2 小时后重试。如果还不成功，就只能进入人工处理通道。

最大努力补偿只是一种思想，实际的应用有多种方式。比如，我首先将事务落地到消息队列，然后依靠消息队列的重试机制，来达到最大努力补偿的效果，这些都是可行的方案。

总结

我们在文中，从本地事务谈起，分别聊到了 2PC、3PC、TCC、SAGA、本地消息表、最大努力补偿等，也了解到了各种解决方案的一些应用场景和解决方式。

分布式事务框架，在这些理论基础上，都进行了或多或少的修订，也有不少创新。比如 LCN 框架（lock，confirm，notify），就抽象出了控制方和发起方的概念，感兴趣的可以自行了解。

在互联网公司中，由于高并发量的诉求，在实际应用中，相对于强事务，大家普遍选用软事务进行业务处理。 使用最多的，就是 TCC、SAGA、本地消息表等解决方案。

SAGA 应对长事务特别拿手，但隔离性稍差； TCC 一直性好并发高，但需要较多编码； 本地消息表应用场景有限，耦合业务不能复用。 各种解决方案都有它的利弊，一定要结合使用场景进行选择。

在框架方面，阿里的 seata（早些年叫 fescar），已经得到了广泛应用，XA、TCC、SAGA 等模式都支持，如果你需要这方面的功能，可以集成尝试一下。

希望看完本文之后，再次碰到“如何在微服务中实现分布式事务？”这种问题，除了回答“要尽量避免使用分布式事务”，你还可以找到确实可行的解决方案。

相关文章