三层为领域逻辑找位置
客户/服务器两层时代,VB、Delphi 等工具擅长把控件绑定到数据库,处理简单增删改很顺手;一旦出现业务规则、校验和计算,要么塞进客户端,导致逻辑与界面耦合、跨界面重复,要么塞进存储过程,丧失数据库可移植性。三层架构正是为了把领域逻辑从两端拽出来单独建模。Web 兴起时,分层良好的系统只需新增表现层即可上网,逻辑写死在客户端的系统只能重写。是否单独抽一层,看这块逻辑是否已无处安放。
主题对照
事务脚本、领域模型、表模块与服务层的选型、演化与边界:业务逻辑放在哪里、以何种结构组织。
客户/服务器两层时代,VB、Delphi 等工具擅长把控件绑定到数据库,处理简单增删改很顺手;一旦出现业务规则、校验和计算,要么塞进客户端,导致逻辑与界面耦合、跨界面重复,要么塞进存储过程,丧失数据库可移植性。三层架构正是为了把领域逻辑从两端拽出来单独建模。Web 兴起时,分层良好的系统只需新增表现层即可上网,逻辑写死在客户端的系统只能重写。是否单独抽一层,看这块逻辑是否已无处安放。
领域逻辑的组织方式主要有三种。事务脚本:每个用户动作对应一个过程,该过程负责接收表现层输入、校验计算、存取数据库、调用其他系统,再把结果返回表现层;脚本内部可拆成共享子例程,但每个动作始终由单一过程驱动。领域模型:围绕领域中的名词(如租约、资产)建立类,校验和计算逻辑分散到各个对象自身承担,不再由一个过程统揽全局,行为分布在对象网络里。表模块:介于二者之间,围绕数据库表(而非过程或对象实例)组织逻辑,每张表只对应一个公共类实例,与记录集配合工作——客户先查询生成记录集,再用记录集构造表模块对象,调用时需附带记录ID区分具体是哪一条记录。三者优缺点各有侧重:事务脚本简单、事务边界清晰、易与简单数据源层配合,但逻辑复杂后容易产生重复代码、结构杂乱;领域模型能用继承/策略等技术从容应对复杂逻辑的持续演化,但上手门槛高、数据源层映射代价大;表模块提供了比事务脚本更多的结构、更容易发现冗余,且天然契合基于记录集的GUI/ORM工具(如.NET环境),但拿不到领域模型的细粒度面向对象组织能力。三者并不互斥,同一系统里用事务脚本处理简单部分、领域模型或表模块处理复杂部分是常见做法。
结构图:
flowchart TB
A["领域逻辑组织模式"]
A --> T["事务脚本<br/>过程驱动,每动作一脚本"]
A --> D["领域模型<br/>对象驱动,行为分散到各对象"]
A --> M["表模块<br/>表驱动,围绕记录集"]
T --> T1["优:简单/事务边界清晰"]
T --> T2["缺:复杂后重复代码/结构杂乱"]
D --> D1["优:细粒度扩展(继承/策略)"]
D --> D2["缺:上手代价高/数据源层复杂"]
M --> M1["优:比事务脚本更结构化,契合记录集工具"]
M --> M2["缺:无法用领域模型的细粒度OO技术"]
从事务脚本转向领域模型是一次范式转换:事务脚本由一个过程掌控某个动作的全部逻辑,在一处就能看完流程;领域模型把行为分散在对象网络中,初学者常要在对象间来回跳转才能找到某个行为,这种挫折是真实代价。收入确认的例子中,事务脚本的一个方法包揽全部工作;领域模型则层层转发到策略对象,新增一种算法只需新增一个策略类,事务脚本却要不断堆条件分支。评估新范式时,也要诚实计入团队数月的学习成本。
表模块看似与领域模型相近,关键区别是:领域模型中每条合同记录对应一个合同对象,表模块只有一个围绕整张表组织的合同对象,先查询得到记录集再构造它,每次调用都要传入具体合同的 ID。它的优势在于契合以记录集为中心的环境,如 COM 与 .NET 的 GUI 工具天然处理 SQL 返回的记录集,可以查询、计算校验、交给界面显示,再把界面数据原样传回。选择表模块,本质上是押注技术栈的生态围绕记录集打转。
三种领域逻辑模式的选择主要取决于逻辑复杂度:逻辑简单时,领域模型的学习成本和数据源层复杂性得不偿失;复杂度上升后,其他模式新增功能的难度会急剧增加。“复杂度大于 7.42 就该用领域模型”是故意荒诞的说法,意在点明没人知道如何量化领域复杂度,决策曲线只是帮助建立直觉的示意图。实际只能请有经验的人尽早判断;团队越熟悉领域模型,曲线越向它倾斜,但数据源层的复杂性始终存在。
领域逻辑模式一旦选定,中途更换代价不小,值得一开始多想。发现选错时,补救方向并不对称:先选事务脚本、后发现逻辑比预想复杂,应毫不犹豫改用领域模型,继续硬撑只会让重复和混乱越滚越大;先选领域模型、想退回事务脚本通常不值得,除非能借此简化数据源层,因为已付出的理解与映射成本不会收回。从简单方案升级往往畅通,从复杂方案降级却要额外拆解,选型时要想清楚回头路好不好走。
服务层架在领域模型或表模块之上,只有领域层已相当复杂时才值得切出;只用事务脚本时领域层本身不复杂,再加一层是浪费。有了服务层,表现层与领域层的交互都经过它,它就像应用对外的 API:调用方看到一组清晰统一的方法,不必直接接触内部复杂的对象网络;它也是放置事务控制、安全校验等横切关注点的天然位置,可在这里统一声明每个方法的事务边界与安全特征。
服务层里该放多少行为,是一个需要认真权衡的决定,它可以看成一个连续谱。最小化的一极:服务层只是一个纯外观,真正的行为全在下层对象里,服务层只负责把上层调用原样转发下去,好处是方法通常按用例组织、更易用,同时是加事务封装和安全检查的天然切入点。最大化的另一极:把大部分业务逻辑都以事务脚本的形式直接塞进服务层,下层领域对象因此变得极简——如果下层是领域模型,这些对象甚至可以退化成与数据库一一对应,从而用上活动记录这类更简单的数据源层。二者的折中是”控制器-实体”风格(术语受[Jacobson et al.]影响):把单个事务/用例特有的逻辑放进事务脚本形式的”用例控制器”里,而可被多个用例复用的行为则放进被称为”实体”的领域对象里。对控制器-实体风格应保持谨慎:和纯事务脚本一样,用例控制器容易产生代码副本;更稳妥的立场是——如果真的决定用领域模型,就该彻底贯彻,让它在应用中占主导地位,不要搞半吊子的折中;只有一种例外情况值得从行数据入口的事务脚本挪一部分冗余行为进去,把它逐步改造成基于活动记录的简单领域模型,但这只用来改进已有缺陷设计,不作为起手方案。默认建议是:先假定不需要服务层,等应用确实需要时再加,且倾向于让服务层尽量最小化;但也承认不少优秀设计者习惯让服务层承载更多逻辑,这是合理的另一种取舍。
结构图:
flowchart LR
A["最小化服务层<br/>纯外观,转发调用"] --- B["控制器-实体风格<br/>用例逻辑进控制器<br/>复用逻辑进实体"] --- C["最大化服务层<br/>事务脚本式,装满业务逻辑"]
B -.->|"作者保留态度:<br/>易产生代码副本"| B
A -.->|"作者默认倾向"| A
事务脚本最简单,贴近过程式思维,但难以支撑复杂逻辑、消除重复;领域模型能力最强,是唯一能从容应对复杂业务逻辑的模式,代价是学习门槛高、与关系数据库的映射复杂;表模块居中,处理逻辑的能力强于事务脚本,又能顺畅配合关系数据库。三者中表模块受工具生态影响最大:平台自带强大的记录集支持时,如 .NET,它如虎添翼;缺乏这类工具时则吸引力大减。选型时,工具支撑与理论优劣同样重要。
选定领域层模式后,数据源层的选择直接被它驱动。事务脚本的数据源:即便是最简单的事务脚本,也应该把数据库逻辑单独分离出去(而不是让脚本自带数据库操作),可选行数据入口或表数据入口,主要取决于实现平台是否方便、以及系统未来的走向——如果平台提供丰富的记录集工具(尤其是UI工具和事务性断接记录集),天平会明显倒向表数据入口;一旦选定,通常不需要额外的O/R映射模式,因为内存结构和数据库结构高度一致,工作单元也不是必需的(脚本内部跟踪变化通常很容易),并发问题也简单——脚本基本对应一个系统事务,可以整体封装在单个事务里,唯一需要操心的异常是”一个请求读出数据编辑、下一个请求才保存”这种跨请求场景,用乐观离线锁处理即可,实现容易又能避免挂起会话导致的大面积加锁。表模块的数据源:几乎是天作之合的固定搭配——表数据入口与记录集配合得天衣无缝,数据源层基本不需要再加别的功能,如果记录集本身自带某种并发控制机制,它实质上就顺带扮演了工作单元的角色,进一步压低了开销。领域模型的数据源:最复杂也最有意思——模型简单(十几个与数据库相关的类)时活动记录就够用,想要更松耦合可以上表/行数据入口,做不做这层分离工作量差别不大;复杂度继续上升就要考虑数据映射器,它能让领域模型尽可能独立于其他层,但也是三者中实现最复杂的,除非团队实力很强或者找到了简化映射的办法,否则强烈建议直接买一个映射工具;一旦走上数据映射器这条路,全套O/R映射模式都会派上用场,其中工作单元尤其值得关注,因为它是并发控制的焦点。
结构图:
flowchart TB
A["领域层模式"] --> B["事务脚本"]
A --> C["表模块"]
A --> D["领域模型"]
B --> B1["行/表数据入口<br/>视记录集工具丰富度而定"]
B1 --> B2["无需额外O/R映射<br/>并发靠乐观离线锁"]
C --> C1["表数据入口(天作之合)"]
C1 --> C2["记录集自带并发控制<br/>≈工作单元"]
D --> D1["简单→活动记录"]
D --> D2["中等→表/行数据入口"]
D --> D3["复杂→数据映射器<br/>+全套O/R映射模式<br/>重点关注工作单元"]
存储过程与数据库同进程,省去跨进程开销,常常最快;但多数存储过程环境缺乏良好的结构化机制,还会把应用绑死在特定数据库厂商上。因此实现业务逻辑时宜尽量避开它,除非确有较强的性能诉求。具体做法是默认不依赖存储过程,性能问题真实出现时,再把领域层的某些方法改写成存储过程,把它当作清除瓶颈的优化步骤,而非从一开始就遵循的架构原则。无论用存储过程还是 SQL,都应该用同样的模式隔离数据库访问。
事务脚本用一个过程处理表现层的一个请求,如“预订房间”包含查空房、算价格、更新数据库,公共子任务可拆成共享子程序。组织成类有两种方式:把相关主题的多个脚本放进一个类;或每个脚本一个类,借助命令模式定义统一的执行方法,便于运行时把脚本当对象操控,但这种需求很少见。无论哪种,都要让脚本与处理表现层和数据源层的类相互独立,且绝不能调用表现层逻辑,这样才容易修改、容易单独测试。
领域模型是融合行为与数据的对象模型,有的对象刻画数据,有的捕捉业务规则。它与数据库模型的根本差异在于混合了数据与过程,拥有多值属性、复杂关联和继承。由此有两种风格:简单领域模型几乎每张表对应一个对象,用活动记录持久化即可;复杂领域模型大量运用继承、策略等模式,形成细粒度对象网络,擅长复杂逻辑,但映射到数据库困难得多,需要数据映射器。选持久化机制不能只看“是否用了领域模型”,还要看它属于哪种风格。
领域模型常被担心会臃肿:订单的部分行为只在某个界面用到,全放进订单类会让它越来越大,于是有人想把“特殊”行为挪到事务脚本或表现层。但提前分离也有代价:后来者找不到已有实现,往往另写一段相同功能,造成冗余与不一致。实际上对象臃肿发生得远比想象少,发生了也容易发现和修正,所以宜把行为放在它本该属于的对象里,真的臃肿了再处理。要不要预防某个问题,看它的实际概率和事后修复成本。
这是 2002 年前后的 J2EE 语境。用实体 Bean 与容器管理持久性实现领域模型有几重障碍:CMP 映射能力有限;实体 Bean 不应重进入,复杂领域模型却常需要;2.0以前实体Bean的远程接口与细粒度调用冲突,2.0可用本地接口缓解;依赖容器和数据库才能运行,创建、测试、调试都慢。为此有人给“普通的 Java 对象”起名 POJO,它组装简单、可脱离容器测试。逻辑简单、贴近表结构时可用实体 Bean;复杂领域模型宜用 POJO 配数据映射器。
收入确认的例子中,每个产品关联一个确认策略对象,不同产品类型对应不同策略子类,计算时从合同经产品传给策略。新增算法可通过策略子类扩展既有计算主链路;创建或配置产品时仍须选择新策略。更深的效果是:产品创建时一旦挂上策略,后续计算代码中就不再有条件判断,决策路径在建立对象关系时就已确定,而不是运行时靠 if-else 层层判断。领域模型应对一组相似判断的通用做法,就是把复杂性从算法内部转移到对象之间的关系里。
表模块用一个类对应一张表,只用一个实例处理全部行:一万个订单,领域模型有一万个对象,表模块只有一个。它看似普通对象,却没有标识来表明代表哪个实体,要查某雇员的地址必须写成 getAddress(employeeID),每次操作都要传入主键。它通常配合记录集使用,在 SQL 结果上提供基于方法的接口;一个任务常要多个表模块共同操作同一个记录集。表模块刻意放弃了对象标识,换取与关系数据的顺畅衔接。
表模块要拿到数据,主要有两种组织方式。方式一:让表模块自己包含查询作为工厂方法,直接负责把数据查出来、组装成记录集。方式二:另外配一个独立的表数据入口专门负责查询,表模块只负责在拿到的记录集上跑业务逻辑——代价是设计里多了一个额外的类和相应机制,好处是可以让同一个表模块作用于来自不同数据源的数据(只要为每个数据源各配一个对应的表数据入口即可),实现了”业务逻辑”和”数据从哪来”的解耦。采用表数据入口方式时的典型协作流程是:应用先用表数据入口把数据汇集进一个记录集,再用这个记录集当参数创建表模块(需要多个表模块的行为时,可以用同一份记录集依次创建它们);表模块在记录集上跑完业务逻辑后,把修改过的记录集传给表现层显示,或交给能感知表结构的界面部件直接编辑——这些界面部件根本分不清记录集是直接来自数据库还是已经被表模块加工处理过;GUI里改完的数据要存回数据库前,还会先经表模块校验一遍。这种分离方式还带来一个额外好处:不需要真实数据库就能测试表模块,只要在内存里手工构造一份记录集即可。虽然”表模块”这个名字暗示每张数据库表对应一个表模块,但实际上表模块的结构更多取决于应用程序能识别的”虚拟表”(比如视图和查询),而不真的绑定数据库表本身的结构,对通用视图或其他查询建立表模块同样有效。
结构图:
flowchart LR
A["数据获取方式"] --> B["表模块自带查询工厂方法<br/>简单直接,少一个类"]
A --> C["独立表数据入口负责查询<br/>表模块只处理记录集"]
C --> D["优点:同一表模块可配<br/>多个数据源的表数据入口"]
C --> E["优点:无需数据库<br/>内存记录集即可测试"]
企业应用常为界面、数据加载、系统集成等多种客户提供接口,它们共享相似的交互逻辑,各自实现就会冗余。服务层把业务逻辑分成两类:领域逻辑只关心问题领域本身,如收入确认的计算策略;应用逻辑关心应用的职责,如通知合同管理者、触发集成,也称工作流逻辑。把应用逻辑塞进领域类有两个坏处:领域类在其他应用中的可复用性下降;日后要把应用逻辑迁到工作流引擎时更困难。服务层正是为保护领域类的可复用性而存在。
服务层的具体实现方式主要有两种,区别在于服务层接口之后的职责怎么划分。领域外观方法:服务层实现为领域模型之上的一批”瘦”外观,负责外观的类本身不含任何业务逻辑,所有业务逻辑(包括领域逻辑和应用逻辑)都放在领域模型里完成——瘦外观只负责建立客户层与应用交互的边界和操作集合,这正好体现了服务层”定义应用边界”的核心特征。操作脚本方法:服务层由一批相对复杂的类组成,这些类直接实现应用逻辑(协调响应、处理工作流),但把领域逻辑委托给底层封装好的领域对象类去做;服务层暴露给客户的每个操作都以脚本形式实现,若干脚本组成一个类,一个类围绕一个主题组织相关逻辑(通常命名为”XX服务”),这些应用程序服务类之上还应该抽出一个层超类型来承载公共职责和行为。两种方法的分野本质对应着”领域逻辑与应用逻辑该不该分开放”这个问题的两种回答:领域外观方法几乎把一切都留给领域模型自己扛,操作脚本方法则明确把应用逻辑单独拎出来放进服务层脚本里、只把领域逻辑部分委托出去。
结构图:
flowchart TB
A["服务层实现方法"]
A --> B["领域外观方法<br/>瘦外观,不含业务逻辑"]
B --> B1["全部业务逻辑(领域+应用)<br/>都留在领域模型里"]
A --> C["操作脚本方法<br/>脚本组成服务类"]
C --> C1["脚本实现应用逻辑<br/>委托领域逻辑给领域对象"]
服务层接口是粗粒度的应用操作,天然适合远程调用,但适合不等于应该。为远程调用处理数据传输对象、应对分布的工作量很大,尤其领域模型复杂、编辑界面多时,痛苦程度仅次于对象关系映射,这呼应了分布对象第一定律。建议先设计本地调用的服务层,签名直接使用领域对象;真需要远程能力时,再在其上加远程外观或让服务层对象实现远程接口。Web 界面或 Web Service 与业务逻辑也完全可以在同一进程中运行。
服务层该提供哪些操作,由其客户,首先是用户界面的需求决定,所以起点是用例模型和界面设计。企业应用中多数用例是对领域对象的增删改查,与服务层操作几乎一一对应;此外还要协调通知他人、触发集成等响应,并明确哪些事务性资源可共同提交、哪些外部动作需要另行协调;设立服务层本身不自动保证原子性。如何把操作归入不同服务没有硬性规定:应用小时一个以应用命名的服务即可;较大时按子系统划分;也可按领域对象或行为主题命名。
服务层定义各类客户共用的操作集合,并在每个操作中协调应用响应,有时需要跨多个事务性资源原子处理。因此判断是否需要它看两点:业务逻辑是否服务多种客户,如界面加数据加载器;用例响应是否涉及多个事务性资源。满足其一,即便不是分布式系统也值得考虑统一协调的服务层;跨资源原子性仍要求资源与事务管理机制真实支持。反之只有一种客户、只涉及一个资源时,页面控制器自己控制事务即可。但只要能预见将来出现第二种客户或第二个资源,就应从一开始设计服务层。
服务层容易与 J2EE 文献中的会话外观混淆,二者动机不同。会话外观是为了避免对实体 Bean 过多远程调用造成性能损失,把会话 Bean 与实体 Bean 胶合成粗粒度接口,是针对 EJB 缺陷的技巧。服务层则通过区分领域逻辑与应用逻辑来避免冗余、提高领域类的可复用性,是架构层面的模式;其思想源自 Alistair Cockburn 的应用边界模式,早于 EJB。形态相似不代表解决同一个问题,追溯起源更能判断是否适用。
事务脚本搭配行数据入口使用时,随着系统演进,常会发现同样的业务逻辑在多个脚本中反复出现,而它们本该放在行数据入口里。不断把重复逻辑移回入口,入口就逐渐演变成活动记录,这是好事,因为它减少了重复。这也给出一条渐进重构路径:先把表包装成纯粹的入口,再把散落在脚本中的行为逐步迁入。它不要求一开始就判断该用事务脚本还是活动记录,而是从最简单的形态出发,跟着代码中暴露的重复走。
远程外观和服务层看似相像,定位却不同:服务层不必是远程的,也不必局限于粗粒度,它收敛成粗粒度是为了结构清晰而非节省网络开销,通常也不需要数据传输对象,可以直接返回领域对象。因此领域模型既要支持进程内调用又要支持远程调用时,保留服务层,再在其上加一层远程外观;若应用只走远程,直接把服务层改造成远程外观更省事,前提是服务层中没有额外的应用逻辑,否则让远程外观独立成另一个对象。
用创建、修改、删除等通用动词替代下单、开票、发帖,会把真实业务差异压扁成数据库操作。发散:一旦代码只剩CRUD语言,后续规则只能挤进服务脚本,模型会越来越贫血。
贫血模型把对象降成字段容器,把行为放到服务里,看似简单,却让业务规则散落在流程脚本中。充血模型让数据和行为共同维护不变性,更适合复杂领域演进。
把复杂数据处理放进存储过程或存储函数,在服务器端执行,相比应用层拼接多条 SQL 有四项优势。性能:首次定义后即编译并常驻服务器,调用时免去重复解析编译,也省去数据往返传输。分工:由数据库专业人员封装成接口,应用程序员只需调用,接口不变时内部优化不影响应用。负载与流量:一次调用只传一条语句和最终结果,不传中间过程。安全:外部只能经过程接口访问,无需直接授权底层表,缩小越权与误操作的暴露面。
在高并发、大数据业务中,若存储过程、触发器等承载大量可扩展的业务计算,数据库 CPU 会成为集中瓶颈。把这类计算移到服务层可独立扩容,但会增加网络交互与一致性处理;是否上移应看负载、事务边界和实测代价,不能一律禁用数据库功能。
点击箭头逐层展开,点击卡片标题查看详情。路径上下文仅用于连接层级,不计入主题卡片数。
来源书籍
领域建模类
书籍类型:经典原理
清单覆盖 7/7
405 张卡片
来源书籍
软件架构方法论类
书籍类型:经典原理
清单覆盖 7/7
358 张卡片
来源书籍
书籍类型:经典原理
149 张卡片
来源书籍
系统架构类
书籍类型:经典原理
清单覆盖 3/6
177 张卡片
来源书籍
书籍类型:速查手册
39 张卡片
来源书籍
领域建模类
书籍类型:经典原理
类别清单尚未核对
264 张卡片
来源书籍
书籍类型:未标注
389 张卡片
来源书籍
数据库/存储引擎类
书籍类型:经典原理
清单覆盖 6/7
80 张卡片
来源书籍
系统架构类
书籍类型:未标注
类别清单尚未核对
317 张卡片
来源书籍
系统架构类
书籍类型:工程实践
清单覆盖 5/7
106 张卡片
来源书籍
书籍类型:经典原理
40 张卡片
来源书籍
书籍类型:未标注
357 张卡片
来源书籍
书籍类型:工程实践
清单覆盖 7/7
304 张卡片
来源书籍
软件架构方法论类
书籍类型:经典原理
清单覆盖 7/7
128 张卡片
来源书籍
书籍类型:经典原理
252 张卡片
来源书籍
软件架构方法论类
书籍类型:经典原理
类别清单尚未核对
125 张卡片
来源书籍
系统架构类
书籍类型:工程实践
清单覆盖 7/7
424 张卡片
与 3 张主题卡片存在结构化链接;共享 1 个其他主题;来自相同书籍;属于相同分类
与 3 张主题卡片存在结构化链接;来自相同书籍;属于相同分类
与 2 张主题卡片存在结构化链接;共享 1 个其他主题;来自相同书籍;属于相同分类
与 2 张主题卡片存在结构化链接;来自相同书籍;属于相同分类
与 2 张主题卡片存在结构化链接;来自相同书籍;属于相同分类
与 2 张主题卡片存在结构化链接;来自相同书籍;属于相同分类