重新学习MySQL数据库12：从实践sql语句优化开始
本文不堆叠网上海量的sql优化技巧或是诀窍。只通过两个浅显易懂又实用的例子介绍mysql的sql语句优化。
首先介绍一下一般的大表优化方案。当MySQL单表记录数过大时，增删改查性能都会急剧下降，可以参考以下步骤来优化：
单表优化
除非单表数据未来会一直不断上涨，否则不要一开始就考虑拆分，拆分会带来逻辑、部署、运维的各种复杂度，一般以整型值为主的表在千万级以下，字符串为主的表在五百万以下是没有太大问题的。而事实上很多时候MySQL单表的性能依然有不少优化空间，甚至能正常支撑千万级以上的数据量：
字段
-
尽量使用
TINYINT、SMALLINT、MEDIUM_INT作为整数类型而非INT，如果非负则加上UNSIGNED -
VARCHAR的长度只分配真正需要的空间 -
使用枚举或整数代替字符串类型
-
尽量使用
TIMESTAMP而非DATETIME， -
单表不要有太多字段，建议在20以内
-
避免使用NULL字段，很难查询优化且占用额外索引空间
-
用整型来存IP
索引
-
索引并不是越多越好，要根据查询有针对性的创建，考虑在
WHERE和ORDER BY命令上涉及的列建立索引，可根据EXPLAIN来查看是否用了索引还是全表扫描 -
应尽量避免在
WHERE子句中对字段进行NULL值判断，否则将导致引擎放弃使用索引而进行全表扫描 -
值分布很稀少的字段不适合建索引，例如"性别"这种只有两三个值的字段
-
字符字段只建前缀索引
-
字符字段最好不要做主键
-
不用外键，由程序保证约束
-
尽量不用
UNIQUE，由程序保证约束 -
使用多列索引时主意顺序和查询条件保持一致，同时删除不必要的单列索引
查询SQL
-
可通过开启慢查询日志来找出较慢的SQL
-
不做列运算：
SELECT id WHERE age + 1 = 10，任何对列的操作都将导致表扫描，它包括数据库教程函数、计算表达式等等，查询时要尽可能将操作移至等号右边 -
sql语句尽可能简单：一条sql只能在一个cpu运算；大语句拆小语句，减少锁时间；一条大sql可以堵死整个库
-
不用
SELECT * -
OR改写成IN：OR的效率是n级别，IN的效率是log(n)级别，in的个数建议控制在200以内 -
不用函数和触发器，在应用程序实现
-
避免
%xxx式查询 -
少用
JOIN -
使用同类型进行比较，比如用
'123'和'123'比，123和123比 -
尽量避免在
WHERE子句中使用!=或<>操作符，否则将引擎放弃使用索引而进行全表扫描 -
对于连续数值，使用
BETWEEN不用IN：SELECT id FROM t WHERE num BETWEEN 1 AND 5 -
列表数据不要拿全表，要使用
LIMIT来分页，每页数量也不要太大
引擎
目前广泛使用的是MyISAM和InnoDB两种引擎：
MyISAM
MyISAM引擎是MySQL 5.1及之前版本的默认引擎，它的特点是：
-
不支持行锁，读取时对需要读到的所有表加锁，写入时则对表加排它锁
-
不支持事务
-
不支持外键
-
不支持崩溃后的安全恢复
-
在表有读取查询的同时，支持往表中插入新纪录
-
支持
BLOB和TEXT的前500个字符索引，支持全文索引 -
支持延迟更新索引，极大提升写入性能
-
对于不会进行修改的表，支持压缩表，极大减少磁盘空间占用
InnoDB
InnoDB在MySQL 5.5后成为默认索引，它的特点是：
-
支持行锁，采用MVCC来支持高并发
-
支持事务
-
支持外键
-
支持崩溃后的安全恢复
-
不支持全文索引
总体来讲，MyISAM适合SELECT密集型的表，而InnoDB适合INSERT和UPDATE密集型的表
0、自己写的海量数据sql优化实践
首先是建表和导数据的过程。
参考https://nsimple.top/archives/mysql-create-million-data.html
有时候我们需要对大数据进行测试，本地一般没有那么多数据，就需要我们自己生成一些。下面会借助内存表的特点进行生成百万条测试数据。
- 创建一个临时内存表, 做数据插入的时候会比较快些
-- 创建一个临时内存表
DROP TABLE IF EXISTS `vote_record_memory`;
CREATE TABLE `vote_record_memory` (
`id` int(10) unsigned NOT NULL AUTO_INCREMENT,
`user_id` varchar(20) NOT NULL DEFAULT '',
`vote_num` int(10) unsigned NOT NULL DEFAULT '0',
`group_id` int(10) unsigned NOT NULL DEFAULT '0',
`status` tinyint(2) unsigned NOT NULL DEFAULT '1',
`create_time` datetime NOT NULL DEFAULT '0000-00-00 00:00:00',
PRIMARY KEY (`id`),
KEY `index_user_id` (`user_id`) USING HASH
) ENGINE=InnoDB AUTO_INCREMENT=1 DEFAULT CHARSET=utf8;
- -- 创建一个普通表，用作模拟大数据的测试用例
DROP TABLE IF EXISTS `vote_record`;
CREATE TABLE `vote_record` (
`id` int(10) unsigned NOT NULL AUTO_INCREMENT,
`user_id` varchar(20) NOT NULL DEFAULT '' COMMENT '用户Id',
`vote_num` int(10) unsigned NOT NULL DEFAULT '0' COMMENT '投票数',
`group_id` int(10) unsigned NOT NULL DEFAULT '0' COMMENT '用户组id 0-未激活用户 1-普通用户 2-vip用户 3-管理员用户',
`status` tinyint(2) unsigned NOT NULL DEFAULT '1' COMMENT '状态 1-正常 2-已删除',
`create_time` int(10) unsigned NOT NULL DEFAULT '0000-00-00 00:00:00' COMMENT '创建时间',
PRIMARY KEY (`id`),
KEY `index_user_id` (`user_id`) USING HASH COMMENT '用户ID哈希索引'
) ENGINE=InnoDB DEFAULT CHARSET=utf8 COMMENT='投票记录表';
- 为了数据的随机性和真实性，我们需要创建一个可生成长度为n的随机字符串的函数。
-- 创建生成长度为n的随机字符串的函数
DELIMITER // -- 修改MySQL delimiter：'//'
DROP FUNCTION IF EXISTS `rand_string` //
SET NAMES utf8 //
CREATE FUNCTION `rand_string` (n INT) RETURNS VARCHAR(255) CHARSET 'utf8'
BEGIN
DECLARE char_str varchar(100) DEFAULT 'abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ0123456789';
DECLARE return_str varchar(255) DEFAULT '';
DECLARE i INT DEFAULT 0;
WHILE i < n DO
SET return_str = concat(return_str, substring(char_str, FLOOR(1 + RAND()*62), 1));
SET i = i+1;
END WHILE;
RETURN return_str;
END //
- 为了操作方便，我们再创建一个插入数据的存储过程
-- 创建插入数据的存储过程
DROP PROCEDURE IF EXISTS `add_vote_record_memory` //
CREATE PROCEDURE `add_vote_record_memory`(IN n INT)
BEGIN
DECLARE i INT DEFAULT 1;
DECLARE vote_num INT DEFAULT 0;
DECLARE group_id INT DEFAULT 0;
DECLARE status TINYINT DEFAULT 1;
WHILE i < n DO
SET vote_num = FLOOR(1 + RAND() * 10000);
SET group_id = FLOOR(0 + RAND()*3);
SET status = FLOOR(1 + RAND()*2);
INSERT INTO `vote_record_memory` VALUES (NULL, rand_string(20), vote_num, group_id, status, NOW());
SET i = i + 1;
END WHILE;
END //
DELIMITER ; -- 改回默认的 MySQL delimiter：';'
- 开始执行存储过程，等待生成数据(10W条生成大约需要40分钟)
-- 调用存储过程 生成100W条数据
CALL add_vote_record_memory(1000000);
- 查询内存表已生成记录(为了下步测试，目前仅生成了105645条)
SELECT count(*) FROM `vote_record_memory`;
-- count(*)
-- 105646
- 把数据从内存表插入到普通表中(10w条数据13s就插入完了)
INSERT INTO vote_record SELECT * FROM `vote_record_memory`;
- 查询普通表已的生成记录
SELECT count(*) FROM `vote_record`;
-- count(*)
-- 105646
- 如果一次性插入普通表太慢，可以分批插入，这就需要写个存储过程了：
-- 参数n是每次要插入的条数
-- lastid是已导入的最大id
CREATE PROCEDURE `copy_data_from_tmp`(IN n INT)
BEGIN
DECLARE lastid INT DEFAULT 0;
SELECT MAX(id) INTO lastid FROM `vote_record`;
INSERT INTO `vote_record` SELECT * FROM `vote_record_memory` where id > lastid LIMIT n;
END
- 调用存储过程:
-- 调用存储过程 插入60w条
CALL copy_data_from_tmp(600000);
SELECT * FROM vote_record；
全表查询
建完表以后开启慢查询日志，具体参考下面的例子，然后学会用explain。windows慢日志的位置在c盘，另外，使用client工具也可以记录慢日志，所以不一定要用命令行来执行测试，否则大表数据在命令行中要显示的非常久。
1 全表扫描select * from vote_record
慢日志
SET timestamp=1529034398;
select * from vote_record;
# Time: 2018-06-15T03:52:58.804850Z
# User@Host: root[root] @ localhost [::1] Id: 74
# Query_time: 3.166424 Lock_time: 0.000000 Rows_sent: 900500 Rows_examined: 999999
耗时3秒，我设置的门槛是一秒。所以记录了下来。
explain执行计划
id select_type table partitions type possible_keys key key_len ref rows filtered Extra
1 SIMPLE vote_record \N ALL \N \N \N \N 996507 100.00 \N
全表扫描耗时3秒多，用不到索引。
2 select * from vote_record where vote_num > 1000
没有索引，所以相当于全表扫描，一样是3.5秒左右
3 select * from vote_record where vote_num > 1000
/*索引信息*/--------------
Table Non_unique Key_name Seq_in_index Column_name Collation Cardinality Sub_part Packed Null Index_type Comment Index_comment
----------- ---------- -------- ------------ ----------- --------- ----------- -------- ------ ------ ---------- ------- ---------------
vote_record 0 PRIMARY 1 id A 996507 (NULL) (NULL) BTREE
vote_record 1 votenum 1 vote_num A 9942 (NULL) (NULL) BTREE
/*DDL 信息*/------------
CREATE TABLE `vote_record` (
`id` int(10) unsigned NOT NULL AUTO_INCREMENT,
`user_id` varchar(20) NOT NULL DEFAULT '' COMMENT '用户Id',
`vote_num` int(10) unsigned NOT NULL DEFAULT '0' COMMENT '投票数',
`group_id` int(10) unsigned NOT NULL DEFAULT '0' COMMENT '用户组id 0-未激活用户 1-普通用户 2-vip用户 3-管理员用户',
`status` tinyint(2) unsigned NOT NULL DEFAULT '1' COMMENT '状态 1-正常 2-已删除',
`create_time` datetime NOT NULL DEFAULT '0000-00-00 00:00:00' COMMENT '创建时间',
PRIMARY KEY (`id`),
KEY `votenum` (`vote_num`)
) ENGINE=InnoDB AUTO_INCREMENT=1000000 DEFAULT CHARSET=utf8 COMMENT='投票记录表'
explain查看执行计划
id select_type table partitions type possible_keys key key_len ref rows filtered Extra
1 SIMPLE vote_record \N ALL votenum,vote \N \N \N 996507 50.00 Using where
还是没用到索引，因为不符合最左前缀匹配。查询需要3.5秒左右
最后修改一下sql语句
EXPLAIN SELECT * FROM vote_record WHERE id > 0 AND vote_num > 1000;
id select_type table partitions type possible_keys key key_len ref rows filtered Extra
1 SIMPLE vote_record \N range PRIMARY,votenum,vote PRIMARY 4 \N 498253 50.00 Using where
用到了索引，但是只用到了主键索引。再修改一次
EXPLAIN SELECT * FROM vote_record WHERE id > 0 AND vote_num = 1000;
id select_type table partitions type possible_keys key key_len ref rows filtered Extra
1 SIMPLE vote_record \N index_merge PRIMARY,votenum,vote votenum,PRIMARY 8,4 \N 51 100.00 Using intersect(votenum,PRIMARY); Using where
用到了两个索引，votenum,PRIMARY。
这是为什么呢。
再看一个语句
EXPLAIN SELECT * FROM vote_record WHERE id = 1000 AND vote_num > 1000
id select_type table partitions type possible_keys key key_len ref rows filtered Extra
1 SIMPLE vote_record \N const PRIMARY,votenum PRIMARY 4 const 1 100.00 \N
也只有主键用到了索引。这是因为只有最左前缀索引可以用>或<，其他索引用<或者>会导致用不到索引。
下面是几个网上参考的例子：
一：索引是sql语句优化的关键，学会使用慢日志和执行计划分析sql
背景：使用A电脑安装mysql,B电脑通过xshell方式连接，数据内容我都已经创建好，现在我已正常的进入到mysql中
步骤1：设置慢查询日志的超时时间，先查看日志存放路径查询慢日志的地址，因为有慢查询的内容，就会到这个日志中：
show global variables like "%slow%";
2.开启慢查询日志
set global slow_query_log=on;3.查看慢查询日志的设置时间，是否是自己需要的
show global variables like "%long%";
4.如果不是自己想的时间，修改慢查询时间，只要超过了以下的设置时间，查询的日志就会到刚刚的日志中，我设置查询时间超过1S就进入到慢查询日志中
set global long_query_time=1;5.大数据已准备，进行数据的查询，xshell最好开两个窗口，一个查看日志，一个执行内容
Sql查询语句：select sql_no_cache * from employees_tmp where first_name='Duangkaew' and gender='M'
发现查数据的总时间去掉了17.74S
查看日志：打开日志
标记1：执行的sql语句
标记2：执行sql的时间，我的是10点52执行的
标记3：使用那台机器
标记4：执行时间，query_tims,查询数据的时间
标记5：不知道是干嘛的
标记6：执行耗时的sql语句，我在想我1的应该是截取错了！但是记住最后一定是显示耗时是因为执行什么sql造成的
6.执行打印计划，主要是查看是否使用了索引等其他内容,主要就是在sql前面加上explain 关键字
explain select sql_no_cache * from employees_tmp where first_name='Duangkaew' and gender='M';
描述extra中，表示只使用了where条件，没有其他什么索引之类的
7.进行sql优化，建一个fist_name的索引，索引就是将你需要的数据先给筛选出来，这样就可以节省很多扫描时间
create index firstname on employees_tmp(first_name); 
注：创建索引时会很慢，是对整个表做了一个复制功能，并进行数据的一些分类（我猜是这样，所以会很慢）
8.查看建立的索引
show index from employees_tmp; 
9.在执行查询语句，查看语句的执行时间
select sql_no_cache * from employees_tmp where first_name='Duangkaew' and gender='M'
发现时间已经有所提升了，其实选择索引也不一开始就知道，我们在试试使用性别，gender进行索引
10.删除已经有的索引，删除索引：
drop index first_name on employees_tmp;11.创建性别的索引(性别是不怎么好的索引方式，因为有很多重复数据)
create index index_gendar on employees_tmp(gender);在执行sql语句查询数据，查看查询执行时间，没有创建比较优秀的索引，导致查询时间还变长了，
为嘛还变长了，这个我没有弄懂
12.我们在试试使用创建组合索引，使用性别和姓名
alter table employees_tmp add index idx_union (first_name,gender);在执行sql查看sql数据的执行时间
select sql_no_cache * from employees_tmp where first_name='Duangkaew' and gender='M'速度提升了N多倍啊
查看创建的索引
show index from employees_tmp;
索引建的好真的一个好帮手，建不好就是费时的一个操作
目前还不知道为什么建立性别的索引会这么慢
二：sql优化注意要点，比如索引是否用到，查询优化是否改变了执行计划，以及一些细节
场景
我用的数据库是mysql5.6，下面简单的介绍下场景
课程表
create table Course(
c_id int PRIMARY KEY,
name varchar(10)
) table Course(
c_id int PRIMARY KEY,
name varchar(10)
)数据100条
学生表:
create table Student(
id int PRIMARY KEY,
name varchar(10)
) table Student(
id int PRIMARY KEY,
name varchar(10)
)数据70000条
学生成绩表SC
CREATE table SC(
sc_id int PRIMARY KEY,
s_id int,
c_id int,
score int
) table SC(
sc_id int PRIMARY KEY,
s_id int,
c_id int,
score int
)数据70w条
查询目的：
查找语文考100分的考生
查询语句：
select s.* from Student s where s.s_id in (select s_id from SC sc where sc.c_id = 0 and sc.score = 100 ) s.* from Student s where s.s_id in (select s_id from SC sc where sc.c_id = 0 and sc.score = 100 )执行时间：30248.271s
晕,为什么这么慢，先来查看下查询计划：
EXPLAIN
select s.* from Student s where s.s_id in (select s_id from SC sc where sc.c_id = 0 and sc.score = 100 )
select s.* from Student s where s.s_id in (select s_id from SC sc where sc.c_id = 0 and sc.score = 100 )
发现没有用到索引，type全是ALL，那么首先想到的就是建立一个索引，建立索引的字段当然是在where条件的字段。
先给sc表的c_id和score建个索引
CREATE index sc_c_id_index on SC(c_id); index sc_c_id_index on SC(c_id);CREATE index sc_score_index on SC(score); index sc_score_index on SC(score);再次执行上述查询语句，时间为: 1.054s
快了3w多倍，大大缩短了查询时间，看来索引能极大程度的提高查询效率，看来建索引很有必要，很多时候都忘记建
索引了，数据量小的的时候压根没感觉，这优化感觉挺爽。
但是1s的时间还是太长了，还能进行优化吗，仔细看执行计划：
查看优化后的sql:
SELECT
`YSB`.`s`.`s_id` AS `s_id`,
`YSB`.`s`.`name` AS `name`
FROM
`YSB`.`Student` `s`
WHERE
< in_optimizer > (
`YSB`.`s`.`s_id` ,< EXISTS > (
SELECT
1
FROM
`YSB`.`SC` `sc`
WHERE
(
(`YSB`.`sc`.`c_id` = 0)
AND (`YSB`.`sc`.`score` = 100)
AND (
< CACHE > (`YSB`.`s`.`s_id`) = `YSB`.`sc`.`s_id`
)
)
)
)
`YSB`.`s`.`s_id` AS `s_id`,
`YSB`.`s`.`name` AS `name`
FROM
`YSB`.`Student` `s`
WHERE
< in_optimizer > (
`YSB`.`s`.`s_id` ,< EXISTS > (
SELECT
1
FROM
`YSB`.`SC` `sc`
WHERE
(
(`YSB`.`sc`.`c_id` = 0)
AND (`YSB`.`sc`.`score` = 100)
AND (
< CACHE > (`YSB`.`s`.`s_id`) = `YSB`.`sc`.`s_id`
)
)
)
)补充：这里有网友问怎么查看优化后的语句
方法如下：
在命令窗口执行
有type=all
按照我之前的想法，该sql的执行的顺序应该是先执行子查询
select s_id from SC sc where sc.c_id = 0 and sc.score = 100 s_id from SC sc where sc.c_id = 0 and sc.score = 100耗时：0.001s
得到如下结果：
然后再执行
select s.* from Student s where s.s_id in(7,29,5000) s.* from Student s where s.s_id in(7,29,5000)耗时：0.001s
这样就是相当快了啊，Mysql竟然不是先执行里层的查询，而是将sql优化成了exists子句，并出现了EPENDENT SUBQUERY，
mysql是先执行外层查询，再执行里层的查询，这样就要循环70007*11=770077次。
那么改用连接查询呢？
SELECT s.* from
Student s
INNER JOIN SC sc
on sc.s_id = s.s_id
where sc.c_id=0 and sc.score=100 s.* from
Student s
INNER JOIN SC sc
on sc.s_id = s.s_id
where sc.c_id=0 and sc.score=100这里为了重新分析连接查询的情况，先暂时删除索引sc_c_id_index，sc_score_index
执行时间是：0.057s
效率有所提高，看看执行计划：
这里有连表的情况出现，我猜想是不是要给sc表的s_id建立个索引
CREATE index sc_s_id_index on SC(s_id);
show index from SC
在执行连接查询
时间: 1.076s，竟然时间还变长了，什么原因？查看执行计划：
优化后的查询语句为：
SELECT
`YSB`.`s`.`s_id` AS `s_id`,
`YSB`.`s`.`name` AS `name`
FROM
`YSB`.`Student` `s`
JOIN `YSB`.`SC` `sc`
WHERE
(
(
`YSB`.`sc`.`s_id` = `YSB`.`s`.`s_id`
)
AND (`YSB`.`sc`.`score` = 100)
AND (`YSB`.`sc`.`c_id` = 0)
)
`YSB`.`s`.`s_id` AS `s_id`,
`YSB`.`s`.`name` AS `name`
FROM
`YSB`.`Student` `s`
JOIN `YSB`.`SC` `sc`
WHERE
(
(
`YSB`.`sc`.`s_id` = `YSB`.`s`.`s_id`
)
AND (`YSB`.`sc`.`score` = 100)
AND (`YSB`.`sc`.`c_id` = 0)
)貌似是先做的连接查询，再执行的where过滤
回到前面的执行计划：
这里是先做的where过滤，再做连表，执行计划还不是固定的，那么我们先看下标准的sql执行顺序：
正常情况下是先join再where过滤，但是我们这里的情况，如果先join，将会有70w条数据发送join做操，因此先执行where
过滤是明智方案，现在为了排除mysql的查询优化，我自己写一条优化后的sql
SELECT
s.*
FROM
(
SELECT
*
FROM
SC sc
WHERE
sc.c_id = 0
AND sc.score = 100
) t
INNER JOIN Student s ON t.s_id = s.s_id
s.*
FROM
(
SELECT
*
FROM
SC sc
WHERE
sc.c_id = 0
AND sc.score = 100
) t
INNER JOIN Student s ON t.s_id = s.s_id即先执行sc表的过滤，再进行表连接，执行时间为：0.054s
和之前没有建s_id索引的时间差不多
查看执行计划：
先提取sc再连表，这样效率就高多了，现在的问题是提取sc的时候出现了扫描表，那么现在可以明确需要建立相关索引
CREATE index sc_c_id_index on SC(c_id); index sc_c_id_index on SC(c_id);CREATE index sc_score_index on SC(score); index sc_score_index on SC(score);再执行查询：
SELECT
s.*
FROM
(
SELECT
*
FROM
SC sc
WHERE
sc.c_id = 0
AND sc.score = 100
) t
INNER JOIN Student s ON t.s_id = s.s_id
s.*
FROM
(
SELECT
*
FROM
SC sc
WHERE
sc.c_id = 0
AND sc.score = 100
) t
INNER JOIN Student s ON t.s_id = s.s_id执行时间为：0.001s，这个时间相当靠谱，快了50倍
执行计划：
我们会看到，先提取sc，再连表，都用到了索引。
那么再来执行下sql
SELECT s.* from
Student s
INNER JOIN SC sc
on sc.s_id = s.s_id
where sc.c_id=0 and sc.score=100 s.* from
Student s
INNER JOIN SC sc
on sc.s_id = s.s_id
where sc.c_id=0 and sc.score=100执行时间0.001s
执行计划：
这里是mysql进行了查询语句优化，先执行了where过滤，再执行连接操作，且都用到了索引。
总结：
1.mysql嵌套子查询效率确实比较低
2.可以将其优化成连接查询
3.建立合适的索引
4.学会分析sql执行计划，mysql会对sql进行优化，所以分析执行计划很重要
由于时间问题，这篇文章先写到这里，后续再分享其他的sql优化经历。
三、海量数据分页查找时如何使用主键索引进行优化
mysql百万级分页优化
普通分页
数据分页在网页中十分多见，分页一般都是limit start,offset,然后根据页码page计算start
select * from user limit 1,20这种分页在几十万的时候分页效率就会比较低了，MySQL需要从头开始一直往后计算，这样大大影响效率
SELECT * from user limit 100001,20; //time 0.151s
explain SELECT * from user limit 100001,20;我们可以用explain分析下语句，没有用到任何索引，MySQL执行的行数是16W+，于是我们可以想用到索引去实现分页
优化分页
使用主键索引来优化数据分页
select * from user where id>(select id from user where id>=100000 limit 1) limit 20; //time 0.003s使用explain分析语句，MySQL这次扫描的行数是8W+，时间也大大缩短。
explain select * from user where id>(select id from user where id>=100000 limit 1) limit 20; 
总结
在数据量比较大的时候，我们尽量去利用索引来优化语句。上面的优化方法如果id不是主键索引，查询效率比第一种还要低点。我们可以先使用explain来分析语句，查看语句的执行顺序和执行性能。
微信公众号
个人公众号：程序员黄小斜
微信公众号【程序员黄小斜】新生代青年聚集地，程序员成长充电站。作者黄小斜，职业是阿里程序员，身份是斜杠青年，希望和更多的程序员交朋友，一起进步和成长！专注于分享技术、面试、职场等成长干货，这一次，我们一起出发。
关注公众号后回复“2020”领取我这两年整理的学习资料，涵盖自学编程、求职面试、算法刷题、Java技术学习、计算机基础和考研等8000G资料合集。
技术公众号：Java技术江湖
微信公众号【Java技术江湖】一位阿里 Java 工程师的技术小站，专注于 Java 相关技术：SSM、SpringBoot、MySQL、分布式、中间件、集群、Linux、网络、多线程，偶尔讲点Docker、ELK，同时也分享技术干货和学习经验，致力于Java全栈开发！
关注公众号后回复“PDF”即可领取200+页的《Java工程师面试指南》强烈推荐，几乎涵盖所有Java工程师必知必会的知识点。
