背景目前在产品圈选场景中，每个tagid都会根据产品集合的规则/索引绑定一定量的数据，当圈选规则的条件发生变化或触发定时任务时，刷新商品集合时，将添加符合规则的新商品，不符合规则的商品将被删除。但是由于产品集下的SPU数量多在几十万，多的可达几百万，如果直接把刷新前后十万甚至几百万SPU的SPU全部放到内存中做相互进行diff，然后获取diff添加和删除差异集。当同时刷新的标签过多时，内存很容易溢出，导致整个服务宕机。同时，目前存储产品集的底层数据库是Hbase，所以在标签端，目前对产品集的刷新场景，即刷新后的产品集，采用全增全删的策略全量保存一次（利用Hbase的幂等存储，重复保存数据会覆盖同一个rowkey的数据，而不是在保存前判断是否存在额外数据），并更新数据的modity_time=now()，然后从Hbase中批量扫描商品集，找到modity_time
