跳到正文
D2-03交易域3 分钟更新于 2026-11

掉单与查单补偿

一句话

回调是"快路径",查单才是"真相来源"。把回调当唯一依据,掉单只是时间问题。

本文目录15 节

掉单与查单补偿

掉单的三种形态

形态表现占比感受
回调没发渠道端成功,我方永远停在 processing少,但后果最重
发了没收到网络/网关/证书问题,请求没到中
收到但处理失败验签失败、解析异常、DB 报错高

第三种最隐蔽:日志里"收到了",但状态没变。 所以「收到回调」和「状态已更新」必须分开计数,否则你永远不知道真实的掉单率。

状态判定的优先级

渠道主动查询 > 渠道回调 > 我方推测

这条优先级要写死在代码里。反例:回调说 failed,查单说 succeeded—— 以查单为准,因为回调可能是延迟的旧事件。

补偿的三个层次

第一层:被动查单(出问题才查)

用户投诉 / 对账发现差异时才去查。成本最低,但体验最差。

第二层:主动轮询(推荐)

对所有非终态的单,按时间分档轮询:

单龄频率理由
< 5 分钟每 30 秒绝大多数结果在这段时间内确定
5~60 分钟每 5 分钟长尾
1~24 小时每小时极少,但必须捞
> 24 小时每天兜底,通常需要人工介入

关键约束:轮询要能停。 单子一旦进终态就从队列里移除,否则队列会无限增长, 最后变成一个"永远在跑、永远没人看"的僵尸任务。

第三层:对账兜底

T+1 的账单才是最终事实。前面两层没捞回来的,对账一定能发现。 但反过来不成立:不能指望对账去挽救实时体验。

查单本身的四个坑

坑一:渠道查询结果也滞后

刚支付完立刻查,可能返回 processing。 如果这时你把状态从 unknown 覆写成 processing,看起来无害,实际上 丢掉了"我们曾经怀疑过"这个信号,后续排查会失去线索。

坑二:用查询结果整体覆盖本地字段

// ❌ 列表接口不返回 failureCode,直接覆盖会擦掉回调写入的原因码
Object.assign(local, remote)

正确做法是按字段合并,且对可能为空的字段用 COALESCE(excluded.x, 原值)。

坑三:查单被限流

渠道一般对查询接口有独立配额,且比支付接口严。 批量查单必须限速 + 分片,否则会被封一段时间,反而拉长恢复时间。

坑四:并发查同一单

定时任务多实例部署时,同一个单会被多个线程查。 用 UPDATE ... WHERE status='processing' AND locked_until < now() 抢占, 或者干脆在任务层做分片。

一份可用的自愈流程

正在绘制图表…

一个反直觉的建议

不要试图做到"零掉单"。

渠道侧的故障、网络分区、自身发布——这些必然发生。 真正的目标是把掉单变成可发现、可自愈、有上限:

  • 可发现:非终态单的数量是一个必须监控的指标
  • 可自愈:绝大多数能在 5 分钟内自己捞回来
  • 有上限:超时的自动升级到人工队列,而不是无限重试

判断一个支付系统成熟不成熟,不看它成功率多高, 看它出问题时多久能自己恢复。

自查清单

  • 所有非终态单都会被轮询,且有停止条件
  • 状态判定优先级写死在代码里(查单 > 回调 > 推测)
  • 更新是字段合并,不是对象覆盖
  • 查单有独立限流与分片
  • 「收到回调」与「状态已更新」分开计数
  • 超时单会升级为人工任务,不会静默消失
  • 非终态单数量有监控与告警

依据

  • 分布式系统无法保证消息必达,只能保证可补偿
  • 渠道侧的 at-least-once 语义决定了必须对重复与乱序做防御
相关阅读