MySQL索引优化实例分析

作者:Hz488 时间:2024-01-26 18:34:27 

1.数据准备

#1.建立员工表,并创建name,age,position索引,id为自增主键
CREATE TABLE `employees` (
 `id` int(11) NOT NULL AUTO_INCREMENT,
 `name` varchar(24) NOT NULL DEFAULT '' COMMENT '姓名',
 `age` int(11) NOT NULL DEFAULT '0' COMMENT '年龄',
 `position` varchar(20) NOT NULL DEFAULT '' COMMENT '职位',
 `hire_time` timestamp NOT NULL DEFAULT CURRENT_TIMESTAMP COMMENT '入职时间',
 PRIMARY KEY (`id`),
 KEY `idx_name_age_position` (`name`,`age`,`position`) USING BTREE
) ENGINE=InnoDB AUTO_INCREMENT=100010 DEFAULT CHARSET=utf8 COMMENT='员工记录表'

# 2.前面插入三条数据,并建立employees_min_copy表插入这三条数据
INSERT INTO employees (name,age,`position`,hire_time) VALUES
('LiLei',22,'manager','2021-08-17 21:00:55')
,('HanMeimei',23,'dev','2021-08-17 21:00:55')
,('Lucy',23,'dev','2021-08-17 21:00:55')
;
#3.再通过执行计划向表中插入十万条数据
#3.1建立存储过程,往employees表中插入数据(MySQL8.0版本)
DELIMITER $$
USE `zhebase`$$
DROP PROCEDURE IF EXISTS `batch_insert_employees`$$
CREATE PROCEDURE `batch_insert_employees`(IN `start_number` BIGINT,IN `counts` BIGINT)
BEGIN
   DECLARE start_number BIGINT DEFAULT start_number;
   DECLARE stop_number BIGINT DEFAULT start_number;
   SET stop_number=start_number + counts;
   WHILE start_number < stop_number DO
       INSERT INTO employees(name,age,position,hire_time) VALUES(CONCAT('zhang',start_number),start_number,'dev',now());
       SET start_number=start_number+1;
   END WHILE ;
   COMMIT;
END$$
DELIMITER ;

#3.2执行存储过程插入十万条数据
CALL batch_insert_employees(1,100000);

2.实例一

1.联合索引第一个字段用范围不会走索引  

EXPLAIN SELECT * FROM employees WHERE name > 'LiLei' AND age = 22 AND position ='manager';

MySQL索引优化实例分析

 原因:MySQL 内部可能觉得第一个字段就用范围,结果集应该很大,还需要回表,回表效率不高,不如直接采用全表扫描 但是我们可以强制走索引

EXPLAIN SELECT * FROM employees force index(idx_name_age_position) WHERE name > 'LiLei' AND age = 22 AND position ='manager';

MySQL索引优化实例分析

-- 关闭查询缓存
set global query_cache_size=0;
set global query_cache_type=0;
-- 执行时间0.321s
SELECT * FROM employees WHERE name > 'LiLei';
-- 执行时间0.458s
SELECT * FROM employees force index(idx_name_age_position) WHERE name > 'LiLei';

MySQL索引优化实例分析

 使用了强制走索引让联合索引第一个字段范围查找也走索引,扫描的行rows看上去也少了点,但是最终查找效率不一定比全表扫描高,因为回表效率不高

对于这种情况,如果可以使用覆盖索引,就使用覆盖索引进行优化 

EXPLAIN SELECT name,age,position FROM employees WHERE name > 'LiLei' AND age = 22 AND position ='manager';

MySQL索引优化实例分析

2.in 和 or 在表数据量比较大的情况会走索引,在表记录不多的情况下会选择全表扫描

EXPLAIN SELECT * FROM employees
WHERE name in ('LiLei','HanMeimei','Lucy')
AND age = 22
AND position ='manager';
#表数据量大走索引,数据量小全表扫描
EXPLAIN SELECT * FROM employees
WHERE (name = 'LiLei' or name = 'HanMeimei')
AND age = 22
AND position ='manager';

MySQL索引优化实例分析

 将十万行数据的employees表复制一份插入几行数据,再进行查询 

MySQL索引优化实例分析

发现进行了全表扫描 

MySQL索引优化实例分析

3.like xx% 无论数据量多少一般情况都会走索引

EXPLAIN SELECT * FROM employees WHERE name like 'LiLei%' AND age = 22 AND position ='manager';

MySQL索引优化实例分析

 MySQL 底层使用索引下推(Index Condition Pushdown,ICP) 来对 like xx%进行优化。

索引下推: 对于辅助的联合索引(idx_name_age_position),通常按照最左前缀原则,SELECT * FROM employees WHERE name like 'LiLei%' AND age = 22 AND position ='manager' 因为在 name 是范围查询,过滤完后,age 和 position 是无序的,后续索引无法使用,只会走name字段索引。

  • MySQL5.6 以前: 先在索引树中匹配 name 是 'LiLei' 开头的索引,然后根据索引下的主键进行回表操作,在主键索引上在匹配 age 和 position

  • MySQL 5.6以后: 引入索引下推,先在索引树种匹配 name 是 'LiLei' 开头的索引,同时将该所与树通有的所有条件字段进行判断,过滤掉不符合条件的记录再回表匹配其他条件及查询整行数据。

  • 优点: 过滤掉不符合条件的记录之后再回表,可以有效的减少回表次数,提高查询效率

MySQL 范围查找为什么没有使用索引下推优化?  可能因为范围查找结果集一般较大,like xx%在大多数情况下,过滤后结果集较小。而结果集大的时候,每次检索出来都要匹配后面的字段,不一定比立即回表要快。但是也不是绝对的,有些时候 Like xx%也不会走索引下推。

3.MySQL如何选择合适的索引?

先来看两条 SQL 语句:

# MySQL直接使用全表扫描
EXPLAIN select * from employees where name > 'a';
# MySQL走索引
EXPLAIN select * from employees where name > 'zzz';

MySQL索引优化实例分析

 我们发现第一条 SQL 进行了全表扫描,第二条 SQL 走了索引。对应第一条SQL,MySQL 通过计算执行成本发现走索引成本比全部扫描更高(走索引需要遍历 name 字段,再进行回表操作查出最终数据,比直接查聚簇索引树更慢)。对于这种情况可以使用覆盖索引进行优化。至于 MySQL 如何选择最终索引,可以用 Trace 工具进行查看。但开启trace工具会影响 MySQL 性能,用完之后需立即关闭。

#开启trace
set session optimizer_trace="enabled=on",end_markers_in_json=on;
#关闭trace
set session optimizer_trace="enabled=off";
#使用trace
select * from employees where name > 'a' order by position;
select * from information_schema.OPTIMIZER_TRACE;

MySQL索引优化实例分析

下面是执行后的Trace中的内容:

{
 "steps": [
   {
     #第一阶段:SQL准备阶段,格式化sql
     "join_preparation": {
       "select#": 1,
       "steps": [
         {
           "expanded_query": "/* select#1 */ select `employees`.`id` AS `id`,`employees`.`name` AS `name`,`employees`.`age` AS `age`,`employees`.`position` AS `position`,`employees`.`hire_time` AS `hire_time` from `employees` where (`employees`.`name` > 'a') order by `employees`.`position` limit 0,200"
         }
       ] /* steps */
     } /* join_preparation */
   },
   {
     #第二阶段:SQL优化阶段
     "join_optimization": {
       "select#": 1,
       "steps": [
         {
           #条件处理
           "condition_processing": {
             "condition": "WHERE",
             "original_condition": "(`employees`.`name` > 'a')",
             "steps": [
               {
                 "transformation": "equality_propagation",
                 "resulting_condition": "(`employees`.`name` > 'a')"
               },
               {
                 "transformation": "constant_propagation",
                 "resulting_condition": "(`employees`.`name` > 'a')"
               },
               {
                 "transformation": "trivial_condition_removal",
                 "resulting_condition": "(`employees`.`name` > 'a')"
               }
             ] /* steps */
           } /* condition_processing */
         },
         {
           "substitute_generated_columns": {
           } /* substitute_generated_columns */
         },
         {
           #表依赖详情
           "table_dependencies": [
             {
               "table": "`employees`",
               "row_may_be_null": false,
               "map_bit": 0,
               "depends_on_map_bits": [
               ] /* depends_on_map_bits */
             }
           ] /* table_dependencies */
         },
         {
           "ref_optimizer_key_uses": [
           ] /* ref_optimizer_key_uses */
         },
         {
           #预估表的访问成本
           "rows_estimation": [
             {
               "table": "`employees`",
               "range_analysis": {
                 "table_scan": { --全表扫描情况
                   "rows": 93205, --扫描行数
                   "cost": 9394.9 --查询成本
                 } /* table_scan */,
                 #查询可能使用的索引
                 "potential_range_indexes": [
                   {
                     "index": "PRIMARY",  --主键索引
                     "usable": false, -- 是否使用
                     "cause": "not_applicable"
                   },
                   {
                     #辅助索引
                     "index": "idx_name_age_position",
                     "usable": true,
                     "key_parts": [
                       "name",
                       "age",
                       "position",
                       "id"
                     ] /* key_parts */
                   }
                 ] /* potential_range_indexes */,
                 "setup_range_conditions": [
                 ] /* setup_range_conditions */,
                 "group_index_range": {
                   "chosen": false,
                   "cause": "not_group_by_or_distinct"
                 } /* group_index_range */,
                 "skip_scan_range": {
                   "potential_skip_scan_indexes": [
                     {
                       "index": "idx_name_age_position",
                       "usable": false,
                       "cause": "query_references_nonkey_column"
                     }
                   ] /* potential_skip_scan_indexes */
                 } /* skip_scan_range */,
                 #分析各个索引使用成本
                 "analyzing_range_alternatives": {
                   "range_scan_alternatives": [
                     {
                       "index": "idx_name_age_position",
                       "ranges": [
                         "a < name" --索引使用范围
                       ] /* ranges */,
                       "index_dives_for_eq_ranges": true,
                       "rowid_ordered": false, --使用该索引获取的记录是否按照主键排序
                       "using_mrr": false,
                       "index_only": false, --是否使用覆盖索引
                       "rows": 46602, --索引扫描行数
                       "cost": 16311, --索引使用成本
                       "chosen": false, --是否选择该索引
                       "cause": "cost"
                     }
                   ] /* range_scan_alternatives */,
                   "analyzing_roworder_intersect": {
                     "usable": false,
                     "cause": "too_few_roworder_scans"
                   } /* analyzing_roworder_intersect */
                 } /* analyzing_range_alternatives */
               } /* range_analysis */
             }
           ] /* rows_estimation */
         },
         {
           "considered_execution_plans": [
             {
               "plan_prefix": [
               ] /* plan_prefix */,
               "table": "`employees`",
               "best_access_path": { --最优访问路径
                 "considered_access_paths": [ --最终选择的访问路径
                   {
                     "rows_to_scan": 93205,
                     "filtering_effect": [
                     ] /* filtering_effect */,
                     "final_filtering_effect": 0.5,
                     "access_type": "scan", --访问类型:为scan,全表扫描
                     "resulting_rows": 46602,
                     "cost": 9392.8,
                     "chosen": true  --确定选择
                   }
                 ] /* considered_access_paths */
               } /* best_access_path */,
               "condition_filtering_pct": 100,
               "rows_for_plan": 46602,
               "cost_for_plan": 9392.8,
               "chosen": true
             }
           ] /* considered_execution_plans */
         },
         {
           "attaching_conditions_to_tables": {
             "original_condition": "(`employees`.`name` > 'a')",
             "attached_conditions_computation": [
               {
                 "table": "`employees`",
                 "rechecking_index_usage": {
                   "recheck_reason": "low_limit",
                   "limit": 200,
                   "row_estimate": 46602
                 } /* rechecking_index_usage */
               }
             ] /* attached_conditions_computation */,
             "attached_conditions_summary": [
               {
                 "table": "`employees`",
                 "attached": "(`employees`.`name` > 'a')"
               }
             ] /* attached_conditions_summary */
           } /* attaching_conditions_to_tables */
         },
         {
           "optimizing_distinct_group_by_order_by": {
             "simplifying_order_by": {
               "original_clause": "`employees`.`position`",
               "items": [
                 {
                   "item": "`employees`.`position`"
                 }
               ] /* items */,
               "resulting_clause_is_simple": true,
               "resulting_clause": "`employees`.`position`"
             } /* simplifying_order_by */
           } /* optimizing_distinct_group_by_order_by */
         },
         {
           "reconsidering_access_paths_for_index_ordering": {
             "clause": "ORDER BY",
             "steps": [
             ] /* steps */,
             "index_order_summary": {
               "table": "`employees`",
               "index_provides_order": false,
               "order_direction": "undefined",
               "index": "unknown",
               "plan_changed": false
             } /* index_order_summary */
           } /* reconsidering_access_paths_for_index_ordering */
         },
         {
           "finalizing_table_conditions": [
             {
               "table": "`employees`",
               "original_table_condition": "(`employees`.`name` > 'a')",
               "final_table_condition   ": "(`employees`.`name` > 'a')"
             }
           ] /* finalizing_table_conditions */
         },
         {
           "refine_plan": [
             {
               "table": "`employees`"
             }
           ] /* refine_plan */
         },
         {
           "considering_tmp_tables": [
             {
               "adding_sort_to_table_in_plan_at_position": 0
             } /* filesort */
           ] /* considering_tmp_tables */
         }
       ] /* steps */
     } /* join_optimization */
   },
   {
     #第三阶段:SQL执行阶段
     "join_execution": {
       "select#": 1,
       "steps": [
         {
           "sorting_table_in_plan_at_position": 0,
           "filesort_information": [
             {
               "direction": "asc",
               "table": "`employees`",
               "field": "position"
             }
           ] /* filesort_information */,
           "filesort_priority_queue_optimization": {
             "limit": 200,
             "chosen": true
           } /* filesort_priority_queue_optimization */,
           "filesort_execution": [
           ] /* filesort_execution */,
           "filesort_summary": {
             "memory_available": 262144,
             "key_size": 40,
             "row_size": 186,
             "max_rows_per_buffer": 201,
             "num_rows_estimate": 285696,
             "num_rows_found": 100003,
             "num_initial_chunks_spilled_to_disk": 0,
             "peak_memory_used": 38994,
             "sort_algorithm": "std::stable_sort",
             "unpacked_addon_fields": "using_priority_queue",
             "sort_mode": "<fixed_sort_key, additional_fields>"
           } /* filesort_summary */
         }
       ] /* steps */
     } /* join_execution */
   }
 ] /* steps */
}

由 Trace字段可知,全表扫描的 cost_for_plan = 9394.9 小于使用索引 cost_for_plan = 16311,故最终选择全表扫描。

4.常见 SQL 深入优化

4.1.Order by与Group by优化

# 案例1
explain select * from employees where name = 'Lucy' and position = 'dev' order by age;

分析:  案例1 由最左前缀法则分析出索引中间不能出现断层,只使用了 name 索引前缀,也可以从key_len = 3n + 2 看出。age 索引列用在排序过程中,因为Extra字段里没有 Using filesort 而是 Using index condition 。 

MySQL索引优化实例分析

#案例2
explain select * from employees where name = 'Lucy'  order by position;

分析:  案例2 索引查询使用了 name 索引前缀,但排序由于跳过了 age 所以Extra字段出现了 Using filesort 。

#案例3
explain select * from employees where name = 'Lucy'  order by age, position;

MySQL索引优化实例分析

分析:  案例3 查询时使用了 name 索引,age 和 postion 用于排序,不会出现 Using filesort

#案例4
explain select * from employees where name = 'Lucy'  order by position,age;

MySQL索引优化实例分析

分析:  案例4 查询时使用了 name 索引,age 和 postion 顺序与创建索引树不一致,出现了 Using filesort

MySQL索引优化实例分析

#案例5
explain
select * from employees
where name = 'Lucy'
and age = 22
order by position,age;

MySQL索引优化实例分析

分析:  案例5 查询时使用了 name 索引,age 和 postion 顺序与创建索引树不一致,但 name、age 为常量,MySQL 会自动优化,不会出现 Using filesort

#案例6
explain select * from employees where name = 'Lucy' order byage,position desc;

MySQL索引优化实例分析

分析:  案例6 排序顺序一样,但 order by 默认升序,导致与索引的排序方式不同,出现了 Using filesort 。 MySQL8.0 以上版本有降序索引可以支持这种查询。

#案例7
explain select * from employees where name = 'Lucy' or name = 'LiLei' order by age;

MySQL索引优化实例分析

 分析:  案例7 对于排序来说,多个相等条件也是范围查询,出现了 Using filesort 。

#案例8
#SQL-1
explain select * from employees where name > 'zzz' order by name;
#SQL-2
explain select * from employees where name > 'a' order by name;

MySQL索引优化实例分析

  分析:  案例8 原因同前面的例子,可以使用覆盖索引优化。

MySQL排序总结:

1、MySQL支持两种方式的排序 filesort 和 indexUsing index是指MySQL扫描索引本身完成排序。Using filesort 是指MySQL扫描聚簇索引(整张表)进行排序。index效率高,filesort效率低。

2、order by 满足两种情况会使用 Using index(不绝对)

  • a.order by 语句使用索引最左前列。

  • b.使用 where 子句与 order by 子句条件列组合满足索引最左前列。

3、尽量在索引列上完成排序,遵循最左前缀法则。

4、如果 order by 的条件不在索引列上,就会产生Using filesort。

5、能用覆盖索引尽量用覆盖索引

6、group by 与 order by 很类似,其实质是先排序后分组(group by 底层:先执行一次 order by 再进行分组),遵照索引创建顺序的最左前缀法则。对于group by的优化如果不需要排序的可以加上order by null 禁止排序。注意,where高于having能写在where中的限定条件就不要去having限定了

Using filesort 文件排序原理 filesort文件排序方式有:

  • 单路排序是一次性取出满足条件行的所有字段,然后在 sort buffer 中进行排序。用trace工具得到sort_mode信息显示< sort_key, additional_fields >或者< sort_key, packed_additional_fields >

  • 双路排序(又叫回表排序模式) :先根据相应的条件取出相应的排序字段和可以直接定位行数据的行 ID,然后在 sort buffer 中进行排序,排序完后需要再次取回其它需要的字段。用trace工具得到sort_mode信息显示< sort_key, rowid >

MySQL 通过比较系统变量 max_length_for_sort_data(默认1024字节) 的大小和需要查询的字段总大小来判断使用哪种排序模式。

  • 字段的总长度 < max_length_for_sort_data ,使用单路排序

  • 字段的总长度 >max_length_for_sort_data ,使用双路排序

select * from employees where name = 'Lucy' order by position;
"join_execution": {    --Sql执行阶段
       "select#": 1,
       "steps": [
         {
           "filesort_information": [
             {
               "direction": "asc",
               "table": "`employees`",
               "field": "position"
             }
           ] /* filesort_information */,
           "filesort_priority_queue_optimization": {
             "usable": false,
             "cause": "not applicable (no LIMIT)"
           } /* filesort_priority_queue_optimization */,
           "filesort_execution": [
           ] /* filesort_execution */,
           "filesort_summary": {                      --文件排序信息
             "rows": 10000,                           --预计扫描行数
             "examined_rows": 10000,                  --参与排序的行
             "number_of_tmp_files": 3,                --使用临时文件的个数,如果为0代表全部使用的sort_buffer内存排序,否则使用的磁盘文件排序
             "sort_buffer_size": 262056,              --排序缓存的大小,单位Byte
             "sort_mode": "<sort_key, packed_additional_fields>"       --排序方式,此处是路排序
           } /* filesort_summary */
         }
       ] /* steps */
     } /* join_execution */

单路排序会把所有需要查询的字段都放到 sort buffer 中排序,而双路排序只会把主键和需要排序的字段放到 sort buffer 中进行排序,然后再通过主键回到原表查询需要的字段。

单路排序过程:

  • a.从索引 name 找到第一个满足 name = 'Lucy' 条件的主键 id

  • b.回表根据主键 id 取出整行,取出所有字段的值,存入 sort_buffer 中

  • c.从索引name找到下一个满足 name = 'Lucy' 条件的主键 id

  • d.重复步骤 2、3 直到不满足 name = 'Lucy'

  • e.对 sort_buffer 中的数据按照字段 position 进行排序

  • f.返回结果

双路排序过程:

  • a.从索引 name 找到第一个满足 name ='Lucy' 的主键 id

  • b.根据主键 id 取出整行,把排序字段 position 和主键 id 这两个字段放到 sort buffer 中

  • c.从索引 name 取下一个满足 name = 'Lucy' 记录的主键 id

  • d.重复 3、4 直到不满足 name = 'Lucy'

  • e.对 sort_buffer 中的字段 position 和主键 id 按照字段 position 进行排序

  • f.遍历排序好的 id 和字段 position,按照 id 的值回到原表中取出所有字段的值返回

4.2.分页查询优化

select * from employees limit 10000,10

这条 SQL 语句实际查询了 10010 条记录,然后丢弃了前面的 10000 条记录,所以,在 数据量很大时,执行效率是非常非常低的。一般需要对分页查询进行优化。 优化方法: 1.根据自增且连续的主键排序的分页查询

select * from employees where id > 90000 limit 5;

当一个表的主键连续且自增时,可以使用该方法进行优化,但如果自增不连续会造成数据丢失

2.根据非主键字段排序的分页查询

#优化前
select * from employees ORDER BY name limit 90000,5;
#优化后
select * from employees e
inner join (select id from employees order by name limit 90000,5) ed
on e.id = ed.id;

先通过排序和分页操作先查出主键,然后根据主键查出对应的记录。 

MySQL索引优化实例分析

4.3.join关联查询优化

4.3.1.数据准备

#示例表
# 创建t1,t2表,主键id,单值索引a
CREATE TABLE `t1` (
 `id` int(11) NOT NULL AUTO_INCREMENT,
 `a` int(11) DEFAULT NULL,
 `b` int(11) DEFAULT NULL,
 PRIMARY KEY (`id`),
 KEY `idx_a` (`a`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8;
create table t2 like t1;
#存储过程往t1,t2表插入数据
DELIMITER $$
USE `zhebase`$$
DROP PROCEDURE IF EXISTS `batch_insert_t1`$$
CREATE PROCEDURE `batch_insert_t1`(IN `start_number` BIGINT,IN `counts` BIGINT)
BEGIN
   DECLARE start_number BIGINT DEFAULT start_number;
   DECLARE stop_number BIGINT DEFAULT start_number;
   SET stop_number=start_number + counts;
   WHILE start_number < stop_number DO
       INSERT INTO t1(a,b) VALUES(start_number,start_number);
       SET start_number=start_number+1;
   END WHILE ;
   COMMIT;
END$$
DELIMITER ;
DELIMITER $$
USE `zhebase`$$
DROP PROCEDURE IF EXISTS `batch_insert_t2`$$
CREATE PROCEDURE `batch_insert_t2`(IN `start_number` BIGINT,IN `counts` BIGINT)
BEGIN
   DECLARE start_number BIGINT DEFAULT start_number;
   DECLARE stop_number BIGINT DEFAULT start_number;
   SET stop_number=start_number + counts;
   WHILE start_number < stop_number DO
       INSERT INTO t2(a,b) VALUES(start_number,start_number);
       SET start_number=start_number+1;
   END WHILE ;
   COMMIT;
END$$
DELIMITER ;
#执行存储过程往t1表插入10000条记录,t2表插入100条记录
CALL batch_insert_t1(1,10000);
CALL batch_insert_t2(1,100);

4.3.2.MySQL 表关联常见的两种算法

  • 嵌套循环连接 Nested-Loop Join(NLJ) 算法

  • 基于块的嵌套循环连接 Block Nested-Loop Join(BNL)算法

  • MySQL对于被驱动表的关联字段没索引的关联查询,一般都会使用 BNL 算法。如果有索引一般选择 NLJ 算法,有索引的情况下 NLJ 算法比 BNL算法性能更高

1.嵌套循环连接 Nested-Loop Join(NLJ) 算法 原理:一次一行循环地从第一张表(驱动表)中读取行,在这行数据中取到关联字段,根据关联字段在另一张表(被驱动表)里取出满足条件的行,然后取出两张表的结果合集。

explain select * from t1 inner join t2 on t1.a= t2.a;

MySQL索引优化实例分析

 从执行计划可以了解的信息:

  • a.驱动表是 t2,被驱动表是 t1( inner join 时 SQL优化器会小表驱动大表,外连接则根据连接类型区分)

  • b.使用了 NLJ 算法。如果执行计划 Extra 中未出现 Using join buffer 则表示使用的 join 算法是 NLJ

整个过程会读取 t2 表的所有数据(扫描100行),然后遍历这每行数据中字段 a 的值,根据 t2 表中 a 的值索引扫描 t1 表中的对应行(扫描100次 t1 表的索引,1次扫描可以认为最终只扫描 t1 表一行完整数据,也就是总共 t1 表也扫描了100行)。因此整个过程扫描了 200 行 。

2. 基于块的嵌套循环连接 Block Nested-Loop Join(BNL)算法 原理:把驱动表的数据读入到 join_buffer 中,然后扫描被驱动表,把被驱动表每一行取出来跟 join_buffer 中的数据做对比

explain select * from t1 inner join t2 on t1.b= t2.b;

MySQL索引优化实例分析

 整个过程对表 t1 和 t2 都做了一次全表扫描,因此扫描的总行数为10000(表 t1 的数据总量) + 100(表 t2 的数据总量) = 10100。并且 join_buffer 里的数据是无序的,因此对表 t1 中的每一行,都要做 100 次判断,所以内存中的判断次数是 100 * 10000= 100 万次(非扫描次数) 。 注意: join_buffer 的大小是由参数 join_buffer_size 控制,默认256k。如果 t2 放不下就会使用分段策略(先从 t2 表取出部分数据,比对完就清空 join_buffer,再重新拿出来余下的部分进行比对)。

被驱动表的关联字段无索引为什么要选择使用 BNL 算法而不使用 NLJ 算法?          如第二条 SQL,如果使用 NLJ 算法扫描行数为 100 * 10000 = 100万,这个是磁盘扫描。使用 BNL 算法仅需扫描 100100 行。

对于表关联 SQL 的优化

  • 尽量少关联(在阿里规范中,关联表不能超过三种,可以后端代码单独查询,循环关联)

  • 小表驱动大表,写多表连接 SQL 时如果明确知道哪张表是小表可以用straight_join写法固定连接驱动方式,节约 MySQL 优化器判断时间.select * from t2 straight_join t1 on t2.a = t1.a; 代表指定mysql选着 t2 表作为驱动表

  • 关联字段加索引,大表关联字段一定要加索引,尽量使得 MySQL 在进行 join 操作时选择NLJ算法

  • 多表连接是非常难以优化的,最好95%的场景都使用单表来完成,复杂场景交个JAVA代码,大规模计算交给大数据工具,无需效率才考虑连接

4.4.in和exsits优化

原则:小表驱动大表

# in 先执行括号里面的
select * from A where id in (select id from B)  
#exists 先执行括号外面的
#select * 可以用 select 1 替换,没有区别
#exists 子查询内部会进行优化,并非逐条对比
#exists 子查询往往也可以用 jion 来代替,何种最优需要具体问题具体分析
select * from A where exists (select 1 from B where B.id = A.id)

4.5.count(*)查询优化

注意:根据某个字段 count 不会统计字段为 null 的行

#扫描二级索引,按行累加
explain select count(1) from employees;
#扫描辅助索引按行累加(辅助索引比聚簇索引小)
explain select count(id) from employees;
#把 name 拿到内存,不为 null 就累加
explain select count(name) from employees;
#不取值,按行累加
explain select count(*) from employees;

四条语句的效率几乎可以忽略,效率对比如下: 字段有索引: count(* )&asymp;count(1)>count(字段)>count(主键 id) 段)>count(主键 id)  字段无索引: count(*)&asymp;count(1)>count(主键 id)>count(字段)

常见优化方法:

  • 1.对于 MyISAM 存储引擎的表做不带 where 条件的 count 查询性能是很高的,数据总行数直接写在磁盘上,查询不需要计算。innodb 存储引擎的表则不会记录(因为有MVCC机制)

  • 2.对与不用知道确切行的可以直接使用show table status,它是一个估值,使用该查询效率很高

  • 3.将总数维护到 Redis 里面,插入或删除表数据行的时候同时维护 Redis 里的表总行数 key 的计数值(用 incr 或 decr 命令),但是这种方式可能不准,很难保证表操作和Redis 操作的事务一致性。

  • 4.增加数据库计数表,插入或删除表数据行的时候同时维护计数表,且它们在同一个事务里操作

5.索引设计原则

  • 1、代码先行,索引后上,先开发完主体业务代码,再把涉及到该表相关sql都要拿出来分析之后再建立索引。

  • 2、联合索引尽量覆盖条件,可以设计一个或者两三个联合索引(单值索引要少建),让每一个联合索引都尽量去包含SQL语句里的 where、order by、group by 的字段,且这些联合索引字段顺序尽量满足 SQL查询的最左前缀原则。

  • 3、不要在小基数字段上建立索引,无法进行快速的二分查找,不能能发挥出B+树快速二分查找的优势来,没有意义

  • 4、尽量对字段类型较小的列设计索引,尽量对字段类型较小的列设计索引,比如 Tinyint 之类,字段类型较小的话,占用磁盘空间小,搜索的时性能更好。

  • 5、长字符串可以采用前缀索引,比如针对某个字段的前20个字符建立索引,即:每个值的前20个字符放入索引树中,搜索时会先匹配前而是个字符,再回表到聚簇索引取出来完整的 name 字段值进行比较。但排序(order by 和 group by)时无法使用该索引。

  • 6、where 与 order by 冲突时优先 where,大多数情况下根据索引进行 where 筛选一般筛选出来的数据比较少,然后做排序成本会更低。

  • 7、基于慢SQL查询做优化,可以根据监控后台的一些慢SQL,针对这些慢 SQL 查询做特定的索引优化(MySQL有提供,只需设置具体参数)。

来源:https://juejin.cn/post/7122461055216779272

标签:MySQL,索引,优化
0
投稿

猜你喜欢

  • 手残删除python之后的补救方法

    2021-04-13 12:50:04
  • 如何利用Python 快速找到最大文件

    2021-08-06 23:22:47
  • python利用Excel读取和存储测试数据完成接口自动化教程

    2022-04-02 05:25:13
  • Python Pandas中DataFrame.drop_duplicates()删除重复值详解

    2021-11-10 09:55:20
  • 检查access数据库中是否存在某个名字的表的asp代码

    2011-04-02 11:20:00
  • 详解pandas中Series()和DataFrame()的区别与联系

    2023-06-24 23:05:46
  • 使用Python实现牛顿法求极值

    2021-10-14 15:10:21
  • Go单元测试对GORM进行Mock测试

    2023-07-20 17:38:53
  • 升级SQL Server 2014的四个要点要注意

    2024-01-18 09:58:01
  • 利用pyshp包给shapefile文件添加字段的实例

    2023-08-12 15:48:38
  • Mysql数据库实现多字段过滤的方法

    2024-01-16 11:35:48
  • 全民学编程之 Hello World

    2023-03-13 20:48:37
  • javascript页面上使用动态时间具体实现

    2024-05-11 09:36:06
  • 使用FORFILES命令来删除SQLServer备份的批处理

    2012-05-08 06:47:06
  • python三种数据结构及13种创建方法总结

    2021-03-23 04:46:52
  • 在Vue组件上动态添加和删除属性方法

    2024-04-09 10:59:10
  • 《CSS权威指南》文摘(1)--块级元素、行内元素

    2008-04-05 13:42:00
  • 用Python实现等级划分

    2022-10-11 23:45:21
  • golang函数的返回值实现

    2024-04-23 09:47:52
  • sql server 编译与重编译详解

    2024-01-14 11:02:59
  • asp之家 网络编程 m.aspxhome.com