MySQL索引原理及慢查詢優(yōu)化（好文）

橙zc 2015-06-19

展開全文

MySQL憑借著出色的性能、低廉的成本、豐富的資源，已經(jīng)成為絕大多數(shù)互聯(lián)網(wǎng)公司的首選關系型數(shù)據(jù)庫。雖然性能出色，但所謂“好馬配好鞍”，如何能夠更好的使用它，已經(jīng)成為開發(fā)工程師的必修課，我們經(jīng)常會從職位描述上看到諸如“精通MySQL”、“SQL語句優(yōu)化”、“了解數(shù)據(jù)庫原理”等要求。我們知道一般的應用系統(tǒng)，讀寫比例在10:1左右，而且插入操作和一般的更新操作很少出現(xiàn)性能問題，遇到最多的，也是最容易出問題的，還是一些復雜的查詢操作，所以查詢語句的優(yōu)化顯然是重中之重。

本人從13年7月份起，一直在美團核心業(yè)務系統(tǒng)部做慢查詢的優(yōu)化工作，共計十余個系統(tǒng)，累計解決和積累了上百個慢查詢案例。隨著業(yè)務的復雜性提升，遇到的問題千奇百怪，五花八門，匪夷所思。本文旨在以開發(fā)工程師的角度來解釋數(shù)據(jù)庫索引的原理和如何優(yōu)化慢查詢。

一個慢查詢引發(fā)的思考

select
count(*)
from
task
where
status=2
and operator_id=20839
and operate_time>1371169729
and operate_time<1371174603
and type=2;

系統(tǒng)使用者反應有一個功能越來越慢，于是工程師找到了上面的SQL。

并且興致沖沖的找到了我，“這個SQL需要優(yōu)化，給我把每個字段都加上索引”

我很驚訝，問道“為什么需要每個字段都加上索引？”

“把查詢的字段都加上索引會更快”工程師信心滿滿

“這種情況完全可以建一個聯(lián)合索引，因為是最左前綴匹配，所以operate_time需要放到最后，而且還需要把其他相關的查詢都拿來，需要做一個綜合評估?！?/span>

“聯(lián)合索引？最左前綴匹配？綜合評估？”工程師不禁陷入了沉思。

多數(shù)情況下，我們知道索引能夠提高查詢效率，但應該如何建立索引？索引的順序如何？許多人卻只知道大概。其實理解這些概念并不難，而且索引的原理遠沒有想象的那么復雜。

MySQL索引原理

索引目的

索引的目的在于提高查詢效率，可以類比字典，如果要查“mysql”這個單詞，我們肯定需要定位到m字母，然后從下往下找到y(tǒng)字母，再找到剩下的sql。如果沒有索引，那么你可能需要把所有單詞看一遍才能找到你想要的，如果我想找到m開頭的單詞呢？或者ze開頭的單詞呢？是不是覺得如果沒有索引，這個事情根本無法完成？

索引原理

除了詞典，生活中隨處可見索引的例子，如火車站的車次表、圖書的目錄等。它們的原理都是一樣的，通過不斷的縮小想要獲得數(shù)據(jù)的范圍來篩選出最終想要的結(jié)果，同時把隨機的事件變成順序的事件，也就是我們總是通過同一種查找方式來鎖定數(shù)據(jù)。

數(shù)據(jù)庫也是一樣，但顯然要復雜許多，因為不僅面臨著等值查詢，還有范圍查詢(>、<、between、in)、模糊查詢(like)、并集查詢(or)等等。數(shù)據(jù)庫應該選擇怎么樣的方式來應對所有的問題呢？我們回想字典的例子，能不能把數(shù)據(jù)分成段，然后分段查詢呢？最簡單的如果1000條數(shù)據(jù)，1到100分成第一段，101到200分成第二段，201到300分成第三段……這樣查第250條數(shù)據(jù)，只要找第三段就可以了，一下子去除了90%的無效數(shù)據(jù)。但如果是1千萬的記錄呢，分成幾段比較好？稍有算法基礎的同學會想到搜索樹，其平均復雜度是lgN，具有不錯的查詢性能。但這里我們忽略了一個關鍵的問題，復雜度模型是基于每次相同的操作成本來考慮的，數(shù)據(jù)庫實現(xiàn)比較復雜，數(shù)據(jù)保存在磁盤上，而為了提高性能，每次又可以把部分數(shù)據(jù)讀入內(nèi)存來計算，因為我們知道訪問磁盤的成本大概是訪問內(nèi)存的十萬倍左右，所以簡單的搜索樹難以滿足復雜的應用場景。

磁盤IO與預讀

前面提到了訪問磁盤，那么這里先簡單介紹一下磁盤IO和預讀，磁盤讀取數(shù)據(jù)靠的是機械運動，每次讀取數(shù)據(jù)花費的時間可以分為尋道時間、旋轉(zhuǎn)延遲、傳輸時間三個部分，尋道時間指的是磁臂移動到指定磁道所需要的時間，主流磁盤一般在5ms以下；旋轉(zhuǎn)延遲就是我們經(jīng)常聽說的磁盤轉(zhuǎn)速，比如一個磁盤7200轉(zhuǎn)，表示每分鐘能轉(zhuǎn)7200次，也就是說1秒鐘能轉(zhuǎn)120次，旋轉(zhuǎn)延遲就是1/120/2 = 4.17ms；傳輸時間指的是從磁盤讀出或?qū)?shù)據(jù)寫入磁盤的時間，一般在零點幾毫秒，相對于前兩個時間可以忽略不計。那么訪問一次磁盤的時間，即一次磁盤IO的時間約等于5+4.17 = 9ms左右，聽起來還挺不錯的，但要知道一臺500 -MIPS的機器每秒可以執(zhí)行5億條指令，因為指令依靠的是電的性質(zhì)，換句話說執(zhí)行一次IO的時間可以執(zhí)行40萬條指令，數(shù)據(jù)庫動輒十萬百萬乃至千萬級數(shù)據(jù)，每次9毫秒的時間，顯然是個災難。下圖是計算機硬件延遲的對比圖，供大家參考：

考慮到磁盤IO是非常高昂的操作，計算機操作系統(tǒng)做了一些優(yōu)化，當一次IO時，不光把當前磁盤地址的數(shù)據(jù)，而是把相鄰的數(shù)據(jù)也都讀取到內(nèi)存緩沖區(qū)內(nèi)，因為局部預讀性原理告訴我們，當計算機訪問一個地址的數(shù)據(jù)的時候，與其相鄰的數(shù)據(jù)也會很快被訪問到。每一次IO讀取的數(shù)據(jù)我們稱之為一頁(page)。具體一頁有多大數(shù)據(jù)跟操作系統(tǒng)有關，一般為4k或8k，也就是我們讀取一頁內(nèi)的數(shù)據(jù)時候，實際上才發(fā)生了一次IO，這個理論對于索引的數(shù)據(jù)結(jié)構(gòu)設計非常有幫助。

索引的數(shù)據(jù)結(jié)構(gòu)

前面講了生活中索引的例子，索引的基本原理，數(shù)據(jù)庫的復雜性，又講了操作系統(tǒng)的相關知識，目的就是讓大家了解，任何一種數(shù)據(jù)結(jié)構(gòu)都不是憑空產(chǎn)生的，一定會有它的背景和使用場景，我們現(xiàn)在總結(jié)一下，我們需要這種數(shù)據(jù)結(jié)構(gòu)能夠做些什么，其實很簡單，那就是：每次查找數(shù)據(jù)時把磁盤IO次數(shù)控制在一個很小的數(shù)量級，最好是常數(shù)數(shù)量級。那么我們就想到如果一個高度可控的多路搜索樹是否能滿足需求呢？就這樣，b+樹應運而生。

詳解b+樹

如上圖，是一顆b+樹，關于b+樹的定義可以參見B+樹，這里只說一些重點，淺藍色的塊我們稱之為一個磁盤塊，可以看到每個磁盤塊包含幾個數(shù)據(jù)項（深藍色所示）和指針（黃色所示），如磁盤塊1包含數(shù)據(jù)項17和35，包含指針P1、P2、P3，P1表示小于17的磁盤塊，P2表示在17和35之間的磁盤塊，P3表示大于35的磁盤塊。真實的數(shù)據(jù)存在于葉子節(jié)點即3、5、9、10、13、15、28、29、36、60、75、79、90、99。非葉子節(jié)點只不存儲真實的數(shù)據(jù)，只存儲指引搜索方向的數(shù)據(jù)項，如17、35并不真實存在于數(shù)據(jù)表中。

b+樹的查找過程

如圖所示，如果要查找數(shù)據(jù)項29，那么首先會把磁盤塊1由磁盤加載到內(nèi)存，此時發(fā)生一次IO，在內(nèi)存中用二分查找確定29在17和35之間，鎖定磁盤塊1的P2指針，內(nèi)存時間因為非常短（相比磁盤的IO）可以忽略不計，通過磁盤塊1的P2指針的磁盤地址把磁盤塊3由磁盤加載到內(nèi)存，發(fā)生第二次IO，29在26和30之間，鎖定磁盤塊3的P2指針，通過指針加載磁盤塊8到內(nèi)存，發(fā)生第三次IO，同時內(nèi)存中做二分查找找到29，結(jié)束查詢，總計三次IO。真實的情況是，3層的b+樹可以表示上百萬的數(shù)據(jù)，如果上百萬的數(shù)據(jù)查找只需要三次IO，性能提高將是巨大的，如果沒有索引，每個數(shù)據(jù)項都要發(fā)生一次IO，那么總共需要百萬次的IO，顯然成本非常非常高。

b+樹性質(zhì)

1.通過上面的分析，我們知道IO次數(shù)取決于b+數(shù)的高度h，假設當前數(shù)據(jù)表的數(shù)據(jù)為N，每個磁盤塊的數(shù)據(jù)項的數(shù)量是m，則有h=㏒(m+1)N，當數(shù)據(jù)量N一定的情況下，m越大，h越??；而m = 磁盤塊的大小 / 數(shù)據(jù)項的大小，磁盤塊的大小也就是一個數(shù)據(jù)頁的大小，是固定的，如果數(shù)據(jù)項占的空間越小，數(shù)據(jù)項的數(shù)量越多，樹的高度越低。這就是為什么每個數(shù)據(jù)項，即索引字段要盡量的小，比如int占4字節(jié)，要比bigint8字節(jié)少一半。這也是為什么b+樹要求把真實的數(shù)據(jù)放到葉子節(jié)點而不是內(nèi)層節(jié)點，一旦放到內(nèi)層節(jié)點，磁盤塊的數(shù)據(jù)項會大幅度下降，導致樹增高。當數(shù)據(jù)項等于1時將會退化成線性表。

2.當b+樹的數(shù)據(jù)項是復合的數(shù)據(jù)結(jié)構(gòu)，比如(name,age,sex)的時候，b+數(shù)是按照從左到右的順序來建立搜索樹的，比如當(張三,20,F)這樣的數(shù)據(jù)來檢索的時候，b+樹會優(yōu)先比較name來確定下一步的所搜方向，如果name相同再依次比較age和sex，最后得到檢索的數(shù)據(jù)；但當(20,F)這樣的沒有name的數(shù)據(jù)來的時候，b+樹就不知道下一步該查哪個節(jié)點，因為建立搜索樹的時候name就是第一個比較因子，必須要先根據(jù)name來搜索才能知道下一步去哪里查詢。比如當(張三,F)這樣的數(shù)據(jù)來檢索時，b+樹可以用name來指定搜索方向，但下一個字段age的缺失，所以只能把名字等于張三的數(shù)據(jù)都找到，然后再匹配性別是F的數(shù)據(jù)了，這個是非常重要的性質(zhì)，即索引的最左匹配特性。

慢查詢優(yōu)化

關于MySQL索引原理是比較枯燥的東西，大家只需要有一個感性的認識，并不需要理解得非常透徹和深入。我們回頭來看看一開始我們說的慢查詢，了解完索引原理之后，大家是不是有什么想法呢？先總結(jié)一下索引的幾大基本原則

建索引的幾大原則

1.最左前綴匹配原則，非常重要的原則，mysql會一直向右匹配直到遇到范圍查詢(>、<、between、like)就停止匹配，比如a = 1 and b = 2 and c > 3 and d = 4 如果建立(a,b,c,d)順序的索引，d是用不到索引的，如果建立(a,b,d,c)的索引則都可以用到，a,b,d的順序可以任意調(diào)整。

2.=和in可以亂序，比如a = 1 and b = 2 and c = 3 建立(a,b,c)索引可以任意順序，mysql的查詢優(yōu)化器會幫你優(yōu)化成索引可以識別的形式

3.盡量選擇區(qū)分度高的列作為索引,區(qū)分度的公式是count(distinct col)/count(*)，表示字段不重復的比例，比例越大我們掃描的記錄數(shù)越少，唯一鍵的區(qū)分度是1，而一些狀態(tài)、性別字段可能在大數(shù)據(jù)面前區(qū)分度就是0，那可能有人會問，這個比例有什么經(jīng)驗值嗎？使用場景不同，這個值也很難確定，一般需要join的字段我們都要求是0.1以上，即平均1條掃描10條記錄

4.索引列不能參與計算，保持列“干凈”，比如from_unixtime(create_time) = ’2014-05-29’就不能使用到索引，原因很簡單，b+樹中存的都是數(shù)據(jù)表中的字段值，但進行檢索時，需要把所有元素都應用函數(shù)才能比較，顯然成本太大。所以語句應該寫成create_time = unix_timestamp(’2014-05-29’);

5.盡量的擴展索引，不要新建索引。比如表中已經(jīng)有a的索引，現(xiàn)在要加(a,b)的索引，那么只需要修改原來的索引即可

回到開始的慢查詢

根據(jù)最左匹配原則，最開始的sql語句的索引應該是status、operator_id、type、operate_time的聯(lián)合索引；其中status、operator_id、type的順序可以顛倒，所以我才會說，把這個表的所有相關查詢都找到，會綜合分析；

比如還有如下查詢

select * from task where status = 0 and type = 12 limit 10;
select count(*) from task where status = 0 ;

那么索引建立成(status,type,operator_id,operate_time)就是非常正確的，因為可以覆蓋到所有情況。這個就是利用了索引的最左匹配的原則

查詢優(yōu)化神器 – explain命令

關于explain命令相信大家并不陌生，具體用法和字段含義可以參考官網(wǎng)explain-output，這里需要強調(diào)rows是核心指標，絕大部分rows小的語句執(zhí)行一定很快（有例外，下面會講到）。所以優(yōu)化語句基本上都是在優(yōu)化rows。

慢查詢優(yōu)化基本步驟

0.先運行看看是否真的很慢，注意設置SQL_NO_CACHE

1.where條件單表查，鎖定最小返回記錄表。這句話的意思是把查詢語句的where都應用到表中返回的記錄數(shù)最小的表開始查起，單表每個字段分別查詢，看哪個字段的區(qū)分度最高

2.explain查看執(zhí)行計劃，是否與1預期一致（從鎖定記錄較少的表開始查詢）

3.order by limit 形式的sql語句讓排序的表優(yōu)先查

4.了解業(yè)務方使用場景

5.加索引時參照建索引的幾大原則

6.觀察結(jié)果，不符合預期繼續(xù)從0分析

幾個慢查詢案例

下面幾個例子詳細解釋了如何分析和優(yōu)化慢查詢

復雜語句寫法

很多情況下，我們寫SQL只是為了實現(xiàn)功能，這只是第一步，不同的語句書寫方式對于效率往往有本質(zhì)的差別，這要求我們對mysql的執(zhí)行計劃和索引原則有非常清楚的認識，請看下面的語句

select
distinct cert.emp_id
from
cm_log cl
inner join
(
select
emp.id as emp_id,
emp_cert.id as cert_id
from
employee emp
left join
emp_certificate emp_cert
on emp.id = emp_cert.emp_id
where
emp.is_deleted=0
) cert
on (
cl.ref_table='Employee'
and cl.ref_oid= cert.emp_id
)
or (
cl.ref_table='EmpCertificate'
and cl.ref_oid= cert.cert_id
)
where
cl.last_upd_date >='2013-11-07 15:03:00'
and cl.last_upd_date<='2013-11-08 16:00:00';

0.先運行一下，53條記錄 1.87秒，又沒有用聚合語句，比較慢

53 rows in set (1.87 sec)

1.explain

+----+-------------+------------+-------+---------------------------------+-----------------------+---------+-------------------+-------+--------------------------------+
| id | select_type | table | type | possible_keys | key | key_len | ref | rows | Extra |
+----+-------------+------------+-------+---------------------------------+-----------------------+---------+-------------------+-------+--------------------------------+
| 1 | PRIMARY | cl | range | cm_log_cls_id,idx_last_upd_date | idx_last_upd_date |8 | NULL | 379 | Using where; Using temporary |
| 1 | PRIMARY | <derived2> | ALL | NULL | NULL | NULL | NULL | 63727 | Using where; Using join buffer |
| 2 | DERIVED | emp | ALL | NULL | NULL | NULL | NULL | 13317 | Using where |
| 2 | DERIVED | emp_cert | ref | emp_certificate_empid | emp_certificate_empid | 4| meituanorg.emp.id | 1 | Using index |
+----+-------------+------------+-------+---------------------------------+-----------------------+---------+-------------------+-------+--------------------------------+

簡述一下執(zhí)行計劃，首先mysql根據(jù)idx_last_upd_date索引掃描cm_log表獲得379條記錄；然后查表掃描了63727條記錄，分為兩部分，derived表示構(gòu)造表，也就是不存在的表，可以簡單理解成是一個語句形成的結(jié)果集，后面的數(shù)字表示語句的ID。derived2表示的是ID = 2的查詢構(gòu)造了虛擬表，并且返回了63727條記錄。我們再來看看ID = 2的語句究竟做了寫什么返回了這么大量的數(shù)據(jù)，首先全表掃描employee表13317條記錄，然后根據(jù)索引emp_certificate_empid關聯(lián)emp_certificate表，rows = 1表示，每個關聯(lián)都只鎖定了一條記錄，效率比較高。獲得后，再和cm_log的379條記錄根據(jù)規(guī)則關聯(lián)。從執(zhí)行過程上可以看出返回了太多的數(shù)據(jù)，返回的數(shù)據(jù)絕大部分cm_log都用不到，因為cm_log只鎖定了379條記錄。

如何優(yōu)化呢？可以看到我們在運行完后還是要和cm_log做join,那么我們能不能之前和cm_log做join呢？仔細分析語句不難發(fā)現(xiàn)，其基本思想是如果cm_log的ref_table是EmpCertificate就關聯(lián)emp_certificate表，如果ref_table是Employee就關聯(lián)employee表，我們完全可以拆成兩部分，并用union連接起來，注意這里用union，而不用union all是因為原語句有“distinct”來得到唯一的記錄，而union恰好具備了這種功能。如果原語句中沒有distinct不需要去重，我們就可以直接使用union all了，因為使用union需要去重的動作，會影響SQL性能。

優(yōu)化過的語句如下

select
emp.id
from
cm_log cl
inner join
employee emp
on cl.ref_table = 'Employee'
and cl.ref_oid = emp.id
where
cl.last_upd_date >='2013-11-07 15:03:00'
and cl.last_upd_date<='2013-11-08 16:00:00'
and emp.is_deleted = 0
union
select
emp.id
from
cm_log cl
inner join
emp_certificate ec
on cl.ref_table = 'EmpCertificate'
and cl.ref_oid = ec.id
inner join
employee emp
on emp.id = ec.emp_id
where
cl.last_upd_date >='2013-11-07 15:03:00'
and cl.last_upd_date<='2013-11-08 16:00:00'
and emp.is_deleted = 0

4.不需要了解業(yè)務場景，只需要改造的語句和改造之前的語句保持結(jié)果一致

5.現(xiàn)有索引可以滿足，不需要建索引

6.用改造后的語句實驗一下，只需要10ms 降低了近200倍！

+----+--------------+------------+--------+---------------------------------+-------------------+---------+-----------------------+------+-------------+
| id | select_type | table | type | possible_keys | key | key_len | ref | rows | Extra |
+----+--------------+------------+--------+---------------------------------+-------------------+---------+-----------------------+------+-------------+
| 1 | PRIMARY | cl | range | cm_log_cls_id,idx_last_upd_date | idx_last_upd_date |8 | NULL | 379 | Using where |
| 1 | PRIMARY | emp | eq_ref | PRIMARY | PRIMARY | 4 | meituanorg.cl.ref_oid | 1 | Using where |
| 2 | UNION | cl | range | cm_log_cls_id,idx_last_upd_date | idx_last_upd_date | 8| NULL | 379 | Using where |
| 2 | UNION | ec | eq_ref | PRIMARY,emp_certificate_empid | PRIMARY | 4 | meituanorg.cl.ref_oid | 1 | |
| 2 | UNION | emp | eq_ref | PRIMARY | PRIMARY | 4 | meituanorg.ec.emp_id | 1 | Using where |
| NULL | UNION RESULT | <union1,2> | ALL | NULL | NULL | NULL | NULL | NULL | |
+----+--------------+------------+--------+---------------------------------+-------------------+---------+-----------------------+------+-------------+

明確應用場景

舉這個例子的目的在于顛覆我們對列的區(qū)分度的認知，一般上我們認為區(qū)分度越高的列，越容易鎖定更少的記錄，但在一些特殊的情況下，這種理論是有局限性的

select
*
from
stage_poi sp
where
sp.accurate_result=1
and (
sp.sync_status=0
or sp.sync_status=2
or sp.sync_status=4
);

0.先看看運行多長時間,951條數(shù)據(jù)6.22秒，真的很慢

951 rows in set (6.22 sec)

1.先explain，rows達到了361萬，type = ALL表明是全表掃描

+----+-------------+-------+------+---------------+------+---------+------+---------+-------------+
| id | select_type | table | type | possible_keys | key | key_len | ref | rows | Extra |
+----+-------------+-------+------+---------------+------+---------+------+---------+-------------+
| 1 | SIMPLE | sp | ALL | NULL | NULL | NULL | NULL | 3613155 | Using where |
+----+-------------+-------+------+---------------+------+---------+------+---------+-------------+

2.所有字段都應用查詢返回記錄數(shù)，因為是單表查詢 0已經(jīng)做過了951條

3.讓explain的rows 盡量逼近951

看一下accurate_result = 1的記錄數(shù)

select count(*),accurate_result from stage_poi group by accurate_result;
+----------+-----------------+
| count(*) | accurate_result |
+----------+-----------------+
| 1023 | -1 |
| 2114655 | 0 |
| 972815 | 1 |
+----------+-----------------+

我們看到accurate_result這個字段的區(qū)分度非常低，整個表只有-1,0,1三個值，加上索引也無法鎖定特別少量的數(shù)據(jù)

再看一下sync_status字段的情況

select count(*),sync_status from stage_poi group by sync_status;
+----------+-------------+
| count(*) | sync_status |
+----------+-------------+
| 3080 | 0 |
| 3085413 | 3 |
+----------+-------------+

同樣的區(qū)分度也很低，根據(jù)理論，也不適合建立索引

問題分析到這，好像得出了這個表無法優(yōu)化的結(jié)論，兩個列的區(qū)分度都很低，即便加上索引也只能適應這種情況，很難做普遍性的優(yōu)化，比如當sync_status 0、3分布的很平均，那么鎖定記錄也是百萬級別的

4.找業(yè)務方去溝通，看看使用場景。業(yè)務方是這么來使用這個SQL語句的，每隔五分鐘會掃描符合條件的數(shù)據(jù)，處理完成后把sync_status這個字段變成1,五分鐘符合條件的記錄數(shù)并不會太多，1000個左右。了解了業(yè)務方的使用場景后，優(yōu)化這個SQL就變得簡單了，因為業(yè)務方保證了數(shù)據(jù)的不平衡，如果加上索引可以過濾掉絕大部分不需要的數(shù)據(jù)

5.根據(jù)建立索引規(guī)則，使用如下語句建立索引

alter table stage_poi add index idx_acc_status(accurate_result,sync_status);

6.觀察預期結(jié)果,發(fā)現(xiàn)只需要200ms，快了30多倍。

952 rows in set (0.20 sec)

我們再來回顧一下分析問題的過程，單表查詢相對來說比較好優(yōu)化，大部分時候只需要把where條件里面的字段依照規(guī)則加上索引就好，如果只是這種“無腦”優(yōu)化的話，顯然一些區(qū)分度非常低的列，不應該加索引的列也會被加上索引，這樣會對插入、更新性能造成嚴重的影響，同時也有可能影響其它的查詢語句。所以我們第4步調(diào)差SQL的使用場景非常關鍵，我們只有知道這個業(yè)務場景，才能更好地輔助我們更好的分析和優(yōu)化查詢語句。

無法優(yōu)化的語句

select
c.id,
c.name,
c.position,
c.sex,
c.phone,
c.office_phone,
c.feature_info,
c.birthday,
c.creator_id,
c.is_keyperson,
c.giveup_reason,
c.status,
c.data_source,
from_unixtime(c.created_time) as created_time,
from_unixtime(c.last_modified) as last_modified,
c.last_modified_user_id
from
contact c
inner join
contact_branch cb
on c.id = cb.contact_id
inner join
branch_user bu
on cb.branch_id = bu.branch_id
and bu.status in (
1,
2)
inner join
org_emp_info oei
on oei.data_id = bu.user_id
and oei.node_left >= 2875
and oei.node_right <= 10802
and oei.org_category = - 1
order by
c.created_time desc limit 0 ,
10;

還是幾個步驟

0.先看語句運行多長時間，10條記錄用了13秒，已經(jīng)不可忍受

10 rows in set (13.06 sec)

1.explain

+----+-------------+-------+--------+-------------------------------------+-------------------------+---------+--------------------------+------+----------------------------------------------+
| id | select_type | table | type | possible_keys | key | key_len | ref | rows | Extra |
+----+-------------+-------+--------+-------------------------------------+-------------------------+---------+--------------------------+------+----------------------------------------------+
| 1 | SIMPLE | oei | ref | idx_category_left_right,idx_data_id | idx_category_left_right | 5 | const | 8849 | Using where; Using temporary; Using filesort |
| 1 | SIMPLE | bu | ref | PRIMARY,idx_userid_status | idx_userid_status | 4 | meituancrm.oei.data_id | 76 | Using where; Using index |
| 1 | SIMPLE | cb | ref | idx_branch_id,idx_contact_branch_id | idx_branch_id | 4 | meituancrm.bu.branch_id | 1 | |
| 1 | SIMPLE | c | eq_ref | PRIMARY | PRIMARY | 108 | meituancrm.cb.contact_id | 1| |
+----+-------------+-------+--------+-------------------------------------+-------------------------+---------+--------------------------+------+----------------------------------------------+

從執(zhí)行計劃上看，mysql先查org_emp_info表掃描8849記錄，再用索引idx_userid_status關聯(lián)branch_user表，再用索引idx_branch_id關聯(lián)contact_branch表，最后主鍵關聯(lián)contact表。

rows返回的都非常少，看不到有什么異常情況。我們在看一下語句，發(fā)現(xiàn)后面有order by + limit組合，會不會是排序量太大搞的？于是我們簡化SQL，去掉后面的order by 和 limit，看看到底用了多少記錄來排序

select
count(*)
from
contact c
inner join
contact_branch cb
on c.id = cb.contact_id
inner join
branch_user bu
on cb.branch_id = bu.branch_id
and bu.status in (
1,
2)
inner join
org_emp_info oei
on oei.data_id = bu.user_id
and oei.node_left >= 2875
and oei.node_right <= 10802
and oei.org_category = - 1
+----------+
| count(*) |
+----------+
| 778878 |
+----------+
1 row in set (5.19 sec)

發(fā)現(xiàn)排序之前居然鎖定了778878條記錄，如果針對70萬的結(jié)果集排序，將是災難性的，怪不得這么慢，那我們能不能換個思路，先根據(jù)contact的created_time排序，再來join會不會比較快呢？

于是改造成下面的語句，也可以用straight_join來優(yōu)化

select
c.id,
c.name,
c.position,
c.sex,
c.phone,
c.office_phone,
c.feature_info,
c.birthday,
c.creator_id,
c.is_keyperson,
c.giveup_reason,
c.status,
c.data_source,
from_unixtime(c.created_time) as created_time,
from_unixtime(c.last_modified) as last_modified,
c.last_modified_user_id
from
contact c
where
exists (
select
1
from
contact_branch cb
inner join
branch_user bu
on cb.branch_id = bu.branch_id
and bu.status in (
1,
2)
inner join
org_emp_info oei
on oei.data_id = bu.user_id
and oei.node_left >= 2875
and oei.node_right <= 10802
and oei.org_category = - 1
where
c.id = cb.contact_id
)
order by
c.created_time desc limit 0 ,
10;

驗證一下效果預計在1ms內(nèi)，提升了13000多倍！

10 rows in set (0.00 sec)

本以為至此大工告成，但我們在前面的分析中漏了一個細節(jié)，先排序再join和先join再排序理論上開銷是一樣的，為何提升這么多是因為有一個limit！大致執(zhí)行過程是：mysql先按索引排序得到前10條記錄，然后再去join過濾，當發(fā)現(xiàn)不夠10條的時候，再次去10條，再次join，這顯然在內(nèi)層join過濾的數(shù)據(jù)非常多的時候，將是災難的，極端情況，內(nèi)層一條數(shù)據(jù)都找不到，mysql還傻乎乎的每次取10條，幾乎遍歷了這個數(shù)據(jù)表！

用不同參數(shù)的SQL試驗下

select
sql_no_cache c.id,
c.name,
c.position,
c.sex,
c.phone,
c.office_phone,
c.feature_info,
c.birthday,
c.creator_id,
c.is_keyperson,
c.giveup_reason,
c.status,
c.data_source,
from_unixtime(c.created_time) as created_time,
from_unixtime(c.last_modified) as last_modified,
c.last_modified_user_id
from
contact c
where
exists (
select
1
from
contact_branch cb
inner join
branch_user bu
on cb.branch_id = bu.branch_id
and bu.status in (
1,
2)
inner join
org_emp_info oei
on oei.data_id = bu.user_id
and oei.node_left >= 2875
and oei.node_right <= 2875
and oei.org_category = - 1
where
c.id = cb.contact_id
)
order by
c.created_time desc limit 0 ,
10;
Empty set (2 min 18.99 sec)

2 min 18.99 sec！比之前的情況還糟糕很多。由于mysql的nested loop機制，遇到這種情況，基本是無法優(yōu)化的。這條語句最終也只能交給應用系統(tǒng)去優(yōu)化自己的邏輯了。

通過這個例子我們可以看到，并不是所有語句都能優(yōu)化，而往往我們優(yōu)化時，由于SQL用例回歸時落掉一些極端情況，會造成比原來還嚴重的后果。所以，第一：不要指望所有語句都能通過SQL優(yōu)化，第二：不要過于自信，只針對具體case來優(yōu)化，而忽略了更復雜的情況。

慢查詢的案例就分析到這兒，以上只是一些比較典型的案例。我們在優(yōu)化過程中遇到過超過1000行，涉及到16個表join的“垃圾SQL”，也遇到過線上線下數(shù)據(jù)庫差異導致應用直接被慢查詢拖死，也遇到過varchar等值比較沒有寫單引號，還遇到過笛卡爾積查詢直接把從庫搞死。再多的案例其實也只是一些經(jīng)驗的積累，如果我們熟悉查詢優(yōu)化器、索引的內(nèi)部原理，那么分析這些案例就變得特別簡單了。

寫在后面的話

本文以一個慢查詢案例引入了MySQL索引原理、優(yōu)化慢查詢的一些方法論;并針對遇到的典型案例做了詳細的分析。其實做了這么長時間的語句優(yōu)化后才發(fā)現(xiàn)，任何數(shù)據(jù)庫層面的優(yōu)化都抵不上應用系統(tǒng)的優(yōu)化，同樣是MySQL，可以用來支撐Google/FaceBook/Taobao應用，但可能連你的個人網(wǎng)站都撐不住。套用最近比較流行的話：“查詢?nèi)菀?，?yōu)化不易，且寫且珍惜！”