面试无忧：源码+实践，讲到MySQL调优的底层算法实现

面试无忧：源码+实践，讲到MySQL调优的底层算法实现 2020-11-30 10:40·代码熬夜敲 不知道大家有没有参与过系统重构或者代码调优的工作，有幸，最近我接触了一个公司N久前的一个项目的重构工作，目的就是为了提升一下响应速度，然后我们小组拿到这个项目的源代码之后，大呼：WC，这NM谁写的代码啊，太不讲究了吧，这SQL都写了些什么玩意啊，其实在这些年的工作中，这样的问题已经不是第一次遇见了，老是被提需求说性能有问题，拿到代码之后发现问题很简单，90%都是SQL的问题，当时赶进度，能查询出来结果就可以，稍微一优化SQL性能就能提升很多，虽然现在有很多SQL审核平台，但是，在面试的过程中，需要你回答的更加深入一些，那这里，我就结合代码给你讲解到算法的层次，在遇到优化，不在惧怕任何挑战 SQL优化基础概念 说到SQL优化，大家首先想到的就是创建索引，但创建索引需要了解相关基础概念。 1. 索引 我们知道，MySQL中的索引通常采用B-Tree结构，那么首先就要清楚B-Tree和B+Tree 结构的区别

在InnoDB中索引是B+Tree结构的，在该结构中叶子节点包含了非叶子节点的所有数据，并且叶子节点之间会通过指针连接。 之所以采用B+Tree结构，是因为数据库中有>、<、between … and这类范围查询语句，直接扫描叶子节点即可。 2. 聚集索引（主键索引） InnoDB的所有的表都是索引组织表，主键与数据存放在一起。InnoDB选择聚集索引遵循以下原则： • 在创建表时，如果指定了主键，则将其作为聚集索引。 • 如果没有指定主键，则选择第一个NOT NULL的唯一索引作为聚集索引。 • 如果没有唯一索引，则内部会生成一个6字节的rowid作为主键。 聚集索引是将主键与行记录存储在一起的，当根据主键进行查询时， 可直接在表中获取到数据，不用回表查询。

3. 二级索引（也称辅助索引） 二级索引的叶子节点存储了索引值+rowid（主键值）。熟悉MySQL 的读者在MySQL中创建表时最好自己指定一个显式的自增主键，这样做的好处是：显式指定的主键可以是普通的int类型，这样存储的空间就是4字节，在二级索引的叶子节点中存储主键值所占用的空间就会变小。这时可能有人会问：二级索引的叶子节点为何不存储主键的指针呢？原因是：如果主键位置发生了变化，则需要修改二级索引的叶子节点对应存储的指针；但是如果二级索引的叶子节点本身存储的是主键的值，则不会出现这种情 况。

4. 基数、选择性、回表 • 基数是字段distinct后的值，主键或非NULL的唯一索引的基数等于表的总行数。 • 选择性是指基数与总行数的比值乘以100%，选择性通常表示在字段上是否适合创建索引。 • 当要查询的字段不能在索引中完全获得时，则需要回表查询取出所需要的数据。这几点很重要，因为SQL优化最重要的就是要减少SQL语句的扫描行数，看下面这个例子。 mysql> create table t1 (id int , cl char(20)，c2 chaz(20),c3 char(20)) ; Query OK,0 rows affected （0.02 sec) mysql> insert into t1 values (10,'a','b', 'C'); Query OK,1 row affected (0.01 sec) mysql> insert into t1 values (10,'a','b', 'c'); Query OK,1 row affected (0.01 sec) mysql> insert into t1 values (10,'a', 'b' , 'c'); Query OK,1 row affected (0.01 sec) mysql> insert into t1 values (10，'a','b', 'c'); Query OK, 1 row affected (0.01 sec) mysql> insert into t1 values (10,'a', 'b', 'c'); Query OK, 1 row affected (0.01 sec) mysql> insert into t1 values (10,'a', 'b', 'c'); Query OK,1 row affected (0.01 sec) mysql> create index idx_c1 on t1 (c1); Query OK,o rows affected (0.02 sec) Records: 0 Duplicates: 0 warnings: o 创建表，在c1字段插入重复数据，并在c1字段创建索引，我们通过执行计划看一下 cost值的消耗。 mysql> explain format=json select * from t1 where c1 = 'a'; "query_block" :{ "select_id": 1,"cost_info":{ "query_cost": "1.10" ) 删除索引，并通过执行计划查看cost值的消耗。 mysql> drop index idx_c1 on t1; Query OK,0 rows affected (0.02sec)Records: 0 Duplicates: 0 warnings: o mysql> explain format=json select * from t1 where c1 = 'a';( "query_block":{ "select_id":1,"cost_info" :{ "query_cost":"0.85" ) ) 两次查询的cost值不同，通过索引查询的cost值比全表扫描的cost值大。这是因为当通过索引查询时索引数据都是重复的（基数很低），所以要做一个索引全扫描；还因 为“SELECT *”扫描完索引后要回表查询id, c2,c3这几个字段。就好比你要读完一本书，不会先把目录全部读一遍，然后再把后面的内容都读一遍。 如果将c1字段的值改成不重复的，我们再来看一下。 mysql> insert into t1 values (10, 'a', 'b', 'c'); Query OK, 1 row affected (0.01 sec) mysql> insert into t1 values (10，'b'，'b','c'); Query OK,1 row affected （0.01 sec) mysql> insert into t1 values (10，'c','b','c'); Query OK, 1 row affected (0.01 sec) mysql> insert into t1 values (10，'d'，'b', 'c'); Query OK, 1 row affected (0.00 sec) mysql> insert into t1 values (10,'e', 'b','c'); Query OK,1 row affected (0.01 sec) mysql> explain format=json select * from t1 where c1 = 'a'; "query_block" :{ "select_id": 1,"cost_info":{ "query_cost": "0.35" } mysql> drop index idx_c1 on t1; Query OK,0 rows affected （0.02 sec) Records: 0 Duplicates: 0 warnings:0 mysql>explain format=json select * from t1 where c1 = 'a'; "query_block": { "select_id": 1,"cost_info":( "query_cost":"0.75" ) 这次c1字段的值不重复（基数较高），则通过索引查询的cost值比全表扫描的cost值小。 这里可能没有体现出选择性，我们说基数高比较好，但是要有一个衡量目标。例如， 某一字段的基数是几十万条，但是表中数据有几十亿条，在这个字段上创建索引就不是很合适，因为选择性比较低，通过索引查询在索引中可能就要扫描上亿条数据。 通常在创建索引时要考虑以上内容（回表、基数、选择性），在MySQL中可以通过系统表innodb_index_stats来查看索引选择性如何，并且可以看到组合索引中每一个字段的选择性如何，还可以计算索引的大小 SELECT stat_value AS pages, index_name , stat_value * @@innodb_page_size / 1024/ 1024 AS size FROM mysql.innodb_index_stats WHERE(table_name = 'sbtest1' AND database_name = 'sbtest' AND stat_description = 'Number of pages in the index' AND stat_name = 'size') GROUP BY index_name; 如果是分区表，则使用下面的语句。 SELECT stat_value AS pages, index_name ，SUM(stat_value)* @@innodb_page_size / 1024 / 1024 AS size FROM mysql .innodb_index_stats WHERE(table_name LIKE 't#P%' AND database_name = 'test' AND stat_description = 'Number of pages in the index' AND stat_name = 'size') GROUP BY index_name; 也可以通过show index from table_name 查看Cardinality字段的值，以及字段的基数是多少。 MySQL中的Join算法 这是一个世纪难题，很多文章或者文档或者公司规范都是说尽量不要使用join方法，但是原因讲解都比较粗一些，今天就来看一下他的算法实现是怎么样的，为什么要尽量减少使用频率 1. Nested-Loop Join Algorithm（嵌套循环Join算法） 最简单的Join算法及外循环读取一行数据，根据关联条件列到内循环中匹配关联，在这种算法中，我们通常称外循环表为驱动表，称内循环表为被驱动表。 Nested-Loop Join算法的伪代码如下: for each row in t1 matching range { for each row in t2 matching reference key { for each row in t3 { if row satisfies join conditions,send to client) ) 2. Block Nested-Loop Join Algorithm（块嵌套循环Join算法，即BNL算法） BNL算法是对Nested-Loop Join算法的优化。 具体做法是将外循环的行缓存起来，读取缓冲区中的行，减少内循环表被扫描的次数。例如，外循环表与内循环表均有100行记录，普通的嵌套内循环表需要扫描100次，如果使用块嵌套循环，则每次外循环读取10行记录到缓冲区中，然后把缓冲区数据传递给下一个内循环，将内循环读取到的每行和缓冲区中的10行进行比较，这样内循环表只需要扫描10次即可完成，使用块嵌套循环后内循环整体扫描次数少了一个数量级。使用块嵌套循环，内循环表扫描方式应是全表扫描，因为是内循环表匹配Join Buffer中的数据的。使用块嵌套循环连接，MySQL会使用连接缓冲区（Join Buffer），且会遵循下面一些原则： • 连接类型为ALL、index、range，会使用到Join Buffer。 • Join Buffer是由join_buffer_size 变量控制的。 • 每次连接都使用一个Join Buffer，多表的连接可以使用多个Join Buffer。 • Join Buffer只存储与查询操作相关的字段数据，而不是整行记录。 BNL算法的伪代码如下： for each row in t1 matching range { for each row in t2 matching reference key { store used columns from t1, t2 in join buffer if buffer is full { for each row in t3 { for each t1,t2 combination in join buffer { if row satisfies join conditions,send to client } } empty join buffer } } } if buffer is not empty{for each row in t3{ for each t1, t2 combination in join buffer { if row satisfies join conditions,send to client } } } 对上面的过程解释如下： ①将t1、t2的连接结果放到缓冲区中，直到缓冲区满为止。 ②遍历t3，与缓冲区内的数据匹配，找到匹配的行，发送到客户端。 ③清空缓冲区。 ④重复上面的步骤，直至缓冲区不满。 ⑤处理缓冲区中剩余的数据，重复步骤②。 假设S是每次存储t1、t2组合的大小，C是组合的数量，则t3被扫描的次数为：(S * C)/join_buffer_size+ 1。 由此可见，随着join_buffer_size的增大，t3被扫描的次数会减少，如果join_buffer_size 足够大，大到可以容纳所有t1和t2连接产生的数据，那么t3只会被扫描一次。 MySQL中的优化特性 1. Index Condition Pushdown（ICP，索引条件下推） ICP是MySQL针对索引从表中检索时的一种优化特性，在没有ICP时处理过程如图21- 4所示。 ①根据索引读取一条索引记录，然后使用索引的叶子节点中的主键值回表读取整个表行。 ②判断这行记录是否符合where条件。

有ICP后处理过程

①根据索引读取一条索引记录，但并不回表取出整行数据。 ②判断记录是否满足where条件的一部分，并且只能使用索引字段进行检查。如果不满足条件，则继续获取下一条索引记录。 ③如果满足条件，则使用索引回表取出整行数据。 ④再判断where条件的剩余部分，选择满足条件的记录。 ICP的意思就是筛选字段在索引中的where条件从服务器层下推到存储引擎层，这样可以在存储引擎层过滤数据。由此可见，ICP可以减少存储引擎访问基表的次数和MySQL服务器访问存储引擎的次数。 ICP的使用场景如下： • 组合索引（a,b）where条件中的a字段是范围扫描，那么后面的索引字段b则无法使用到索引。在没有ICP时需要把满足a字段条件的数据全部提取到服务器层，并且会有大量的回表操作；而有了ICP之后，则会将b字段条件下推到存储引擎层，以减少回表次数和返回给服务器层的数据量。 • 组合索引（a,b）的第一个字段的选择性非常低，第二个字段查询时又利用不到索引（%b%），在这种情况下，通过ICP也能很好地减少回表次数和返回给服务器层的数据量。 ICP的使用限制如下： • 只能用于InnoDB和MyISAM。 • 适用于range、ref、eq_ref和ref_or_null访问方式，并且需要回表进行访问。 • 适用于二级索引。 • 不适用于虚拟字段的二级索引。 2. Multi-Range Read（MRR） 如果通过二级索引扫描时需要回表查询数据，那么此时由于主键顺序与二级索引的顺序不一致会导致大量的随机I/O。而通过Multi-Range Read特性，MySQL会将索引扫描到的数据根据rowid进行一次排序，然后再回表查询。此方式的好处是将回表查询从随机I/O 转换成顺序I/O。 在没有MRR时，通过索引查询到数据之后回表形式

从图中可以看到，当通过二级索引扫描完数据之后，根据rowid（或者主键）回表查询，但是这个过程是随机访问的。如果表数据量非常大，在传统的机械硬盘中IOPS 不高的情况下性能会很差。 有了MRR之后，回表形式

根据索引查询完之后会将rowid放到缓冲区中进行排序，排序之后再回表访问，此时是顺序I/O。这里排序所用到的缓冲区是由参数read_rnd_buffer_size所控制的。 3. Batched Key Access（BKA） BKA是对BNL算法的更一步扩展及优化，其作用是在表连接时可以进行顺序I/O，所以BKA是在MRR基础之上实现的，同时BKA支持内连接、外连接和半连接操作。 当两个表连接时，在没有BKA的情况下如图所示，可以看到访问t2表时是随机I/O。

有了BKA之后如图21-9所示，可以看到对t2表进行连接访问时，先将t1中相关的字段放入Join buffer中，然后利用MRR特性接口进行排序（根据rowid），排序之后即可通过rowid到t2表中进行查找。

这里也有一个隐含的条件，就是就是关联字段需要有索引，否则还是会使用BNL算法的。