一、优惠券系统业务场景与核心需求

在电商、O2O等高频交易场景中，优惠券已成为提升用户转化率的核心营销工具。以消费金额打折为例，系统需支持满减（满100减20）、折扣（8折）、阶梯折扣（满200打7折）等多样化策略。技术实现需解决三大核心问题：策略动态配置、规则精准匹配、高并发场景下的性能保障。

1.1 业务规则建模

采用策略模式（Strategy Pattern）构建可扩展的优惠规则体系。定义抽象策略接口：

public interface DiscountStrategy {
    BigDecimal calculate(BigDecimal originalAmount, Map<String, Object> params);
    boolean isApplicable(BigDecimal amount, Map<String, Object> params);
}

具体实现类如满减策略：

public class FullReductionStrategy implements DiscountStrategy {
    private BigDecimal threshold;
    private BigDecimal reduction;
    @Override
    public BigDecimal calculate(BigDecimal amount, Map<String, Object> params) {
        return amount.subtract(reduction);
    }
    @Override
    public boolean isApplicable(BigDecimal amount, Map<String, Object> params) {
        return amount.compareTo(threshold) >= 0;
    }
}

1.2 数据存储设计

采用MySQL+Redis的混合存储方案：

MySQL表结构示例：

CREATE TABLE coupon_rule (
  id BIGINT PRIMARY KEY,
  rule_type TINYINT COMMENT '1-满减 2-折扣 3-阶梯',
  threshold DECIMAL(10,2),
  discount_value DECIMAL(10,2),
  status TINYINT DEFAULT 1,
  create_time DATETIME
);

Redis缓存策略：使用Hash结构存储热规则，Key格式为coupon{ruleId}

二、消费金额打折算法实现

2.1 基础算法实现

阶梯折扣算法示例：

public class TieredDiscountStrategy implements DiscountStrategy {
    private List<Tier> tiers;
    @Override
    public BigDecimal calculate(BigDecimal amount, Map<String, Object> params) {
        for (Tier tier : tiers) {
            if (amount.compareTo(tier.getThreshold()) >= 0) {
                return amount.multiply(tier.getRate());
            }
        }
        return amount;
    }
    @Data
    @AllArgsConstructor
    private static class Tier {
        private BigDecimal threshold;
        private BigDecimal rate;
    }
}

2.2 规则引擎集成

引入Drools规则引擎实现复杂业务规则：

rule "满300减50"
    when
        $order : Order(amount >= 300)
        $coupon : Coupon(type == "FULL_REDUCTION" && value == 50)
    then
        $order.setFinalAmount($order.getAmount().subtract(new BigDecimal(50)));
        $coupon.setUsed(true);
end

2.3 性能优化方案

规则预加载：系统启动时加载所有有效规则到内存

并行计算：对多规则场景采用CompletableFuture并行处理

public BigDecimal calculateWithParallel(BigDecimal amount, List<DiscountStrategy> strategies) {
 List<CompletableFuture<BigDecimal>> futures = strategies.stream()
     .map(strategy -> CompletableFuture.supplyAsync(() -> 
         strategy.isApplicable(amount, null) ? 
         strategy.calculate(amount, null) : amount))
     .collect(Collectors.toList());
 return futures.stream()
     .map(CompletableFuture::join)
     .min(BigDecimal::compareTo)
     .orElse(amount);
}

三、系统架构设计

3.1 微服务拆分建议

规则管理服务：负责规则的CRUD和版本控制
优惠计算服务：提供实时计算接口
用户券包服务：管理用户领取的优惠券

3.2 接口设计示例

@RestController
@RequestMapping("/api/discount")
public class DiscountController {
    @Autowired
    private DiscountCalculator calculator;
    @PostMapping("/calculate")
    public ResponseEntity<DiscountResult> calculate(
            @RequestBody DiscountRequest request) {
        DiscountResult result = calculator.calculate(
            request.getOrderAmount(),
            request.getCouponCodes());
        return ResponseEntity.ok(result);
    }
}
@Data
class DiscountRequest {
    private BigDecimal orderAmount;
    private List<String> couponCodes;
}

四、测试与验证方案

4.1 单元测试示例

public class DiscountCalculatorTest {
    @Test
    public void testFullReduction() {
        DiscountStrategy strategy = new FullReductionStrategy(
            new BigDecimal("100"), new BigDecimal("20"));
        BigDecimal result = strategy.calculate(
            new BigDecimal("120"), Collections.emptyMap());
        assertEquals(new BigDecimal("100"), result);
    }
    @Test
    public void testTieredDiscount() {
        List<TieredDiscountStrategy.Tier> tiers = Arrays.asList(
            new TieredDiscountStrategy.Tier(
                new BigDecimal("200"), new BigDecimal("0.8")),
            new TieredDiscountStrategy.Tier(
                new BigDecimal("500"), new BigDecimal("0.7"))
        );
        DiscountStrategy strategy = new TieredDiscountStrategy(tiers);
        BigDecimal result = strategy.calculate(
            new BigDecimal("300"), Collections.emptyMap());
        assertEquals(new BigDecimal("240"), result);
    }
}

4.2 压力测试指标

测试场景	并发数	平均响应时间	错误率
单规则计算	500	12ms	0%
多规则并行	1000	35ms	0.2%
规则引擎执行	800	48ms	0.5%

五、最佳实践建议

规则隔离：不同业务线的规则使用独立命名空间
灰度发布：新规则先在测试环境验证，再通过配置中心逐步推送
监控告警：对规则匹配失败率、计算耗时等指标建立监控
回滚机制：支持规则版本回滚，确保系统稳定性

技术实现要点总结：采用策略模式实现规则解耦，通过规则引擎处理复杂逻辑，结合缓存与并行计算提升性能。实际开发中需特别注意规则冲突检测（如同时满足满减和折扣时的优先级处理），建议引入规则优先级字段并在计算时按优先级排序。

Java优惠券系统设计与消费金额打折实现指南