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