MySQL新特性之哈希连接

概述

很长一段时间，MySQL 执行 连接 的唯一算法是 嵌套循环算法 ( nested loop algorithm) 的变体 ，但是 嵌套循环算法 在某些场景下非常低效，也是 MySQL 一直被诟病的一个问题。

随着 MySQL 8.0.18 的发布，MySQL Server 可以使用哈希连接（hash join），这篇文章将会简单介绍下哈希连接如何实现，看看在 MySQL 中它是如何工作的，何时使用它，有什么限制。

哈希连接简介

什么是哈希连接？

哈希连接是一种用于关系型数据库中的连接算法，只能用于有等连接条件的连接中（on a.b = c.b）。它通常比 嵌套循环 算法 更高效（探测端非常非常小除外），尤其是在没有命中索引的情况下。

简单来说，哈希连接算法就是先把一张小表加载到内存哈希表里，然后遍历大表的数据，逐行去哈希表中匹配符合条件的数据，返回到客户端。

（哈希表只是示例，方面理解，实际 hash 的 key 是连接的值，value 是数据行链表）

通常将 哈希连接 分为两个阶段，构建阶段（build phase）和探测阶段（probe phase）。在构建阶段，先选择合适的表作为「构建输入」，构建哈希表，然后再依次遍历另一个「探测输入」表记录去探测哈希表查找符合连接条件的记录。

以上图为例，查询城市对应的省份。我们假设 city 为 构建输入，在构建阶段，服务器构建一个 city 哈希 表 ，遍历 city 表，将行依次放进 哈希表，键为 hash(province_id)，值为对应的 城市行。`

在探测阶段，服务器开始从 探测输入（province） 读取行。对于每一行都使用 hash(province.province_id) 值作为查找键探测哈希表以匹配行。

也就是，构建输入能全部被加载到内存的情况下，仅扫每个探测行一次，使用常数时间查找就可以查找到两个输入之间匹配的行。

数据太多不能放入内存怎么办？

将 构建输入 全部加载到内存中无疑是效率最高的，但在有些情况下，内存不足以将整张表加载到内存中，就需要分批来处理。

常见的做法有两种：

分批加载到内存处理

1. 读取最大内存可以容纳的记录创建哈希表 构建输入 生成哈希表；
2. 遍历 探测输入 对这部分哈希表进行一次全量探测；
3. 清理掉哈希表重新进行这个流程，直至全部处理完成。

这种方式会导致探测输入全表被扫描多次。

写到文件处理

1. 当在构建哈希表阶段内存用完时，服务器将会把剩余的构建输入写到磁盘上的许多小文件中，小文件块经过计算可以全部被读入内存并创建哈希表（避免文件块太大后续无法加载到内存还需要再次分隔）；
2. 在探测阶段，由于探测行可能与写入磁盘的构建输入的某行匹配，所以也需要将探测输入写入到磁盘中；
3. 探测阶段完成后，从磁盘读取块文件并加载到内存散列表中，再从探测输入读取响应的块文件并探测匹配项；
4. 处理完后，移动到下一对块文件，直至全部处理完成。

MySQL 中的哈希连接实现

MySQL 会选择两个输入中较小的一个作为构建输入(以字节计算)，在内存足够的情况下将构建输入加载到内存处理，不够的情况下使用写入文件的方式处理。

可以使用 join_buffer_size 系统变量控制 哈希连接 的内存使用，哈希连接 使用的内存不能超过这个数量，当超过这个数量时，MySQL 将使用文件来处理。

如果内存超过 join_buffer_size，并且文件超过 open_files_limit ，执行可能失败。

可以使用如下两个解决方案：

• 增大 join_buffer_size 来避免 哈希连接 溢出到磁盘
• 增大 open_files_limit

MySQL 什么情况下会使用哈希连接？

在 MySQL 8.0.18 版本中，如果使用一个或多个等连接条件将表连接在一起，并且没有可用于连接条件的索引，将使用哈希连接。如果索引可用，MySQL 倾向于使用索引查找来支持嵌套循环。

默认情况下，MySQL 会尽可能使用哈希连接 ，可以通过以下两种方式启用或关闭：

• 设置全局或 session 变量 (hash_join = on or hash_join = off)；

  SET optimizer_switch="hash_join=off";

• 使用 hints (HASH_JOIN or NO_HASH_JOIN)。

我们将使用以下查询作为示例：

EXPLAIN FORMAT = tree
SELECT
  city.name AS city_name,
  province.name AS province_name
FROM
  city
  JOIN province
    ON city.province_id = province.province_id;

输出为：

| -> Inner hash join (city.province_id = province.province_id)  (cost=1333.82 rows=1329)
    -> Table scan on city  (cost=0.14 rows=391)
    -> Hash
        -> Table scan on province  (cost=3.65 rows=34)

哈希连接 也可以用到多个 join 的查询中，只要存在等值连接，就可以使用哈希连接。

例如以下查询：

EXPLAIN FORMAT= TREE
SELECT
  city.name AS city_name,
  province.name AS province_name,
  country.name AS country_name
FROM
  city
  JOIN province
    ON city.province_id = province.province_id
    AND city.id < 50
  JOIN country
    ON province.province_id = country.id

输出为：

| -> Inner hash join (city.province_id = country.id)  (cost=23.27 rows=2)
    -> Filter: (city.id < 50)  (cost=5.32 rows=5)
        -> Index range scan on city using PRIMARY  (cost=5.32 rows=49)
    -> Hash
        -> Inner hash join (province.province_id = country.id)  (cost=4.00 rows=3)
            -> Table scan on province  (cost=0.59 rows=34)
            -> Hash
                -> Table scan on country  (cost=0.35 rows=1)

哈希连接也同样适用于 「笛卡尔积」，即没有指定查询条件，如下：

EXPLAIN FORMAT= TREE
SELECT
  *
FROM
  city
  JOIN province;

输出为：

| -> Inner hash join  (cost=1333.82 rows=13294)
    -> Table scan on city  (cost=1.17 rows=391)
    -> Hash
        -> Table scan on province  (cost=3.65 rows=34)

MySQL 什么情况下不会使用哈希连接？

1. 目前 MySQL 哈希连接只支持内连接，反连接、半连接和外连接仍然使用块嵌套循环执行。
2. 如果索引可用，MySQL 会更倾向于使用索引查找来支持嵌套循环；
3. 当不存在等值查询时，会使用嵌套循环。

如下：

EXPLAIN FORMAT=TREE
SELECT
  *
FROM
  city
  JOIN province
    ON city.province_id < province.province_id;

输出为：

| 

如何查看语句执行是否使用哈希连接？

EXPLAIN FORMAT= TREE 在 MySQL 8.0.16 及之后的版本可以使用，TREE 提供了类似于树的输出，对查询处理的描述比传统格式更加精确，它是唯一显示 哈希连接 用法的格式。

除此之外，也可以使用 EXPLAIN ANALYZE 查看 哈希连接 信息。

---

以上基于 MySQL community Server 8.0.18。

参考

Hash Join Optimization

Optimizer Hints

Server System Variables

Hash join in MySQL 8

MySQL · 新特征 · MySQL 哈希连接实现介绍

欢迎对 MySQL 有兴趣的朋友一起学习交流。