动手撸一个规则引擎(二)：方案解析

写在前面

规则引擎能够搞啥？通常使用场景，是经过可视化节目进行拖拉或者简单的操做指定流程和规则，将规则输入获得目标输出。

交易系统中的规则引擎

规则编排的过程是各类条件的组合，相似于搭积木，指定逻辑规则，细化逻辑因子，好比指定选人规则，一个用户id进来以后根据指定的不一样逻辑规则获得该用户能够发的券集合。一样能够用来筛选商品，筛选营销规则等。

在交易系统中主要是和用户和营销策略相关，好比根据历史订单，是否会员信息，是否门店新老客等规则因子，组合规则因子，也就是指定决策逻辑。动态的去响应不一样用户的不一样策略。

规则引擎的难点

规则引擎的难点在于：规则的易变和定制化。

规则每每处于热更新的状态，在产品决策过程当中由于ABTest等缘由，可能随时调整规则。同时一套营销规则可能由于用户画像不一样致使千人前面的策略，有必定的定制特色。

在没有规则引擎以前，系统实现规则引擎通常采用硬编码，if/else登方式。哪怕是将规则相关逻辑单独抽离到规则模块，代码规则实现存在硬编码难以热更新的问题依然存在。

可是硬编码并不是一无可取，较粗粒度的规则仍是须要固化到系统中，这样能够达到更好封装和抽象的目的，下降必定的迭代成本。

规则引擎系统

规则引擎被定义为系统中的一组规则组件，能够将业务逻辑和决策逻辑进行拆分，抽离出来。

规则引擎的关键词：

• 实事：用户的输入信息为实事
• 规则：定制化的业务规则逻辑
• 结果：规则加工和执行以后产生的结果

为更好的固化和沉淀一部分规则到系统中，咱们通常创建一套规则管理系统，以可视化方式提供给使用方，在可视化界面操做规则编排，规则的变动最好加上版本，以区分和热更新，避免硬切规则形成的数据不一致状况，能够平滑过分到下一个规则中。

规则引擎的难点在于，对于配置化的规则进行系统性的解析和业务逻辑的执行，当咱们经过存储系统对规则进行存储以后，在将规则以原子性的方式拉取出来后，执行规则便成了比较复杂的地方了，通常能够采用Drools，Aviator等三方引擎，也能够本身定制。

• Drools：适用于风控金融，用起来比较复杂
• Grovvy，JPython：能够嵌入到系统中进行逻辑执行，可是性能存在考量空间