mysql索引优化cbo

在实际工作中,我也经常会遇到一些同学提出这样的问题:MySQL 并没有按照自己的预想来选择索引,比如创建了索引但是选择了全表扫描,这肯定是 MySQL 数据库的 Bug,或者是索引出错了?当然不是! 这主要因为索引中的数据犯了错。

为什么这么说呢?要理解该问题,要理解 MySQL 数据库中的优化器是怎么执行的,然后才能明白为什么最终优化器没有选择你预想的索引。接下来,我们就来理解 MySQL 数据库是怎么选择索引的。

MySQL是如何选择索引的

在表orders中,对于字段o_custkey已经创建了相关的3个索引,所以现在表orders的情况如下所示:

CREATE TABLE `orders` ( `o_orderkey` int NOT NULL, `O_CUSTKEY` int NOT NULL, `O_ORDERSTATUS` char(1) CHARACTER SET utf8mb4 COLLATE utf8mb4_general_ci NOT NULL, `O_TOTALPRICE` decimal(15,2) NOT NULL, `O_ORDERDATE` date NOT NULL, `O_ORDERPRIORITY` char(15) CHARACTER SET utf8mb4 COLLATE utf8mb4_general_ci NOT NULL, `O_CLERK` char(15) CHARACTER SET utf8mb4 COLLATE utf8mb4_general_ci NOT NULL, `O_SHIPPRIORITY` int NOT NULL, `O_COMMENT` varchar(79) CHARACTER SET utf8mb4 COLLATE utf8mb4_general_ci NOT NULL, PRIMARY KEY (`o_orderkey`), KEY `orders_fk1` (`O_CUSTKEY`), KEY `idx_custkey_orderdate` (`O_CUSTKEY`,`O_ORDERDATE`), KEY `idx_custkey_orderdate_totalprice` (`O_CUSTKEY`,`O_ORDERDATE`,`O_TOTALPRICE`), CONSTRAINT `orders_ibfk_1` FOREIGN KEY (`O_CUSTKEY`) REFERENCES `customer` (`c_custkey`) ON DELETE RESTRICT ON UPDATE RESTRICT) ENGINE=InnoDB

在查询字段 o_custkey 时,理论上可以使用三个相关的索引:ORDERS_FK1、idx_custkey_orderdate、idx_custkey_orderdate_totalprice。那 MySQL 优化器是怎么从这三个索引中进行选择的呢?

在关系型数据库中,B+ 树索引只是存储的一种数据结构,具体怎么使用,还要依赖数据库的优化器,优化器决定了具体某一索引的选择,也就是常说的执行计划。

而优化器的选择是基于成本(cost),哪个索引的成本越低,优先使用哪个索引。

mysql索引优化cbo_第1张图片

如上图所示,MySQL 数据库由 Server 层和 Engine 层组成:

Server 层有 SQL 分析器、SQL优化器、SQL 执行器,用于负责 SQL 语句的具体执行过程;

Engine 层负责存储具体的数据,如最常使用的 InnoDB 存储引擎,还有用于在内存中存储临时结果集的 TempTable 引擎。

SQL 优化器会分析所有可能的执行计划,选择成本最低的执行,这种优化器称之为:CBO(Cost-based Optimizer,基于成本的优化器)。

而在 MySQL中,一条 SQL 的计算成本计算如下所示:

Cost = Server Cost + Engine Cost = CPU Cost + IO Cost

  • CPU Cost 表示计算的开销,比如索引键值比较、记录值的比较、结果集的排序……这些操作都在 Server 层完成;

  • IO Cost 表示引擎层 IO 的开销,MySQL 8.0 可以通过区分一张表的数据是否在内存中,分别计算读取内存 IO 开销以及读取磁盘 IO 的开销。

数据库 mysql 下的表 server_cost、engine_cost 则记录了对于各种成本的计算,如:

表server_cost记录了Server层优化器各种操作的成本,这里面包括了所有的CPU Cost,其具体含义如下:

  • disk_temptable_create_cost:创建磁盘临时表的成本,默认为20。

  • disk_temptable_row_cost:磁盘临时表中每条记录的成本,默认为0.5。

  • key_compare_cost:索引键值比较的成本,默认为0.05,成本最小。

  • memory_temptable_create_cost:创建内存临时表的成本:默认为1。

  • memory_temptable_row_cost:内存临时表中每条记录的成本,默认为0.1。

  • row_evaluate_cost:记录间的比较成本,默认为0.1。

可以看到, MySQL 优化器认为如果一条 SQL 需要创建基于磁盘的临时表,则这时的成本是最大的,其成本是基于内存临时表的 20 倍。而索引键值比较、记录之间的比较,其实开销是非常低的,但如果要比较的记录数非常多,则成本会变得非常大。

而表 engine_cost 记录了存储引擎层各种操作的成本,这里包含了所有的 IO Cost,具体含义如下。

  • io_block_read_cost:从磁盘读取一个页的成本,默认值为1。

  • memory_block_read_cost:从内存读取一个页的成本,默认值为0.25。

也就是说, MySQL 优化器认为从磁盘读取的开销是内存开销的 4 倍。

不过,上述所有的成本都是可以修改的,比如如果数据库使用是传统的 HDD 盘,性能较差,其随机读取性能要比内存读取慢 50 倍,那你可以通过下面的 SQL 修改成本:

INSERT INTO engine_cost(engine_name,device_type,cost_name,cost_value,last_update,comment) VALUES ('InnoDB',0,'io_block_read_cost',12.5,CURRENT_TIMESTAMP,'Using HDD for InnoDB');FLUSH OPTIMIZER_COSTS;

我们再来看一下上一节的 GROUP BY SQL 语句,这时我们通过命令 EXPLAIN的FORMAT=json 来查看各成本的值,为的是让你进一步了解优化的工作原理。

mysql> EXPLAIN FORMAT=json SELECT o_custkey,SUM(o_totalprice) FROM orders GROUP BY o_custkey;+--------------------------------------------------------------------------------------------+| EXPLAIN |+--------------------------------------------------------------------------------------------+| { "query_block": { "select_id": 1, "cost_info": { "query_cost": "605409.62" }, "grouping_operation": { "using_filesort": false, "table": { "table_name": "orders", "access_type": "index", "possible_keys": [ "orders_fk1", "idx_custkey_orderdate", "idx_custkey_orderdate_totalprice" ], "key": "idx_custkey_orderdate_totalprice", "used_key_parts": [ "O_CUSTKEY", "O_ORDERDATE", "O_TOTALPRICE" ], "key_length": "14", "rows_examined_per_scan": 5583704, "rows_produced_per_join": 5583704, "filtered": "100.00", "using_index": true, "cost_info": { "read_cost": "47039.22", "eval_cost": "558370.40", "prefix_cost": "605409.62", "data_read_per_join": "2G" }, "used_columns": [ "o_orderkey", "O_CUSTKEY", "O_TOTALPRICE" ] } } }} |+---------------------------------------------------------------------------------------------+1 row in set, 1 warning (0.00 sec)

从第33行开始,其中:

  • read_cost 表示就是从InnoDB存储引擎读取的开销

  • eval_cost 表示Server层的CPU成本

  • prefix_cost 表示这条SQL的总成本

  • data_read_per_join 表示总的读取记录的字节数

在知道 MySQL 索引选择是基于 SQL 执行成本之后,接下来,我们就能分析一些索引出错问题到底是怎么回事了。

MySQL索引出错案例分析

案例1:未能使用创建的索引

MySQL 优化器永远是根据成本,选择出最优的执行计划。哪怕是同一条 SQL 语句,只要范围不同,优化器的选择也可能不同。

如下面这两条SQL:

SELECT * FROM orders WHERE o_orderdate > '1994-01-01' and o_orderdate < '1994-12-31';SELECT * FROM orders WHERE o_orderdate > '1994-12-01' and o_orderdate < '1994-12-31';

上面这两条SQL都是通过索引字段o_orderdate进行查询,然而第一条SQL语句的执行计划并未使用索引idx_orderdate,而是使用了如下的执行计划:

从上述执行计划中可以发现,优化器已经通过 possible_keys 识别出可以使用索引 idx_orderdate,但最终却使用全表扫描的方式取出结果。 最为根本的原因在于:优化器认为使用通过主键进行全表扫描的成本比通过二级索引 idx_orderdate 的成本要低,可以通过 FORMAT=tree 观察得到:

可以看到,MySQL认为全表扫描,然后再通过WHERE条件过滤的成本为605031.50,对比强制使用二级索引idx_orderdate的成本为1937073.18

成本上看,全表扫描低于使用二级索引。故,MySQL 优化器没有使用二级索引 idx_orderdate。

为什么全表扫描比二级索引查询快呢? 因为二级索引需要回表,当回表的记录数非常大时,成本就会比直接扫描要慢,因此这取决于回表的记录数。

所以,第二条 SQL 语句,只是时间范围发生了变化,但是 MySQL 优化器就会自动使用二级索引 idx_orderdate了,这时我们再观察执行计划:

再次强调,并不是 MySQL 选择索引出错,而是 MySQL 会根据成本计算得到最优的执行计划, 根据不同条件选择最优执行计划,而不是同一类型一成不变的执行过程,这才是优秀的优化器该有的样子。

案例2:索引创建在有限状态上

B+树索引通常要建立在高选择性的字段或字段组合上,如姓名、订单ID、日期等,因为这样每个字段值大多并不相同。

但是对于性别这样的字段,其值只有男和女两种,哪怕记录数再多,也只有两种值,这种低选择性的字段就无须创建索引。

但在有些场景,低选择性的列上是有必要创建索引的。比如电商和核心业务表orders,其有字段o_orderstatus,表示订单的当前状态。

在电商业务中有一个这样的逻辑:即会定时扫描字段o_orderstatus为支付中的订单,然后强制让其关闭,从而释放库存给其他有需求的买家进行购买。

但字段o_orderstatus的状态是有限的,一般仅为已完成、支付中、超时已关闭等几种。

通常订单状态绝大部分都是已完成,只有绝少部分因为系统故障等原因,会在15分钟后还没有完成订单,因此订单状态是存在数据倾斜的

这时,虽然订单状态是低选择性的,但是由于其有数据倾斜,且我们只是从索引查询少量数据,因此可以对订单状态创建索引:

ALTER TABLE order ADD INDEX idx_orderstatus(o_orderstatus);

由于字段 o_orderstatus 仅有三个值,分别为 'O'、'P'、'F'。但 MySQL 并不知道这三个列的分布情况,认为这三个值是平均分布的,但其实是这三个值存在严重倾斜

因此,优化器会认为订单状态为 P 的订单占用 1/3 的数据,使用全表扫描,避免二级索引回表的效率会更高。

然而,由于数据倾斜,订单状态为 P 的数据非常少,根据索引 idx_orderstatus 查询的效率会更高。这种情况下,我们可以利用 MySQL 8.0 的直方图功能,创建一个直方图,让优化器知道数据的分布,从而更好地选择执行计划。直方图的创建命令如下所示:

ANALYZE TABLE orders UPDATE HISTOGRAM ON o_orderstatus;

在创建完直方图后,MySQL会收集到字段 o_orderstatus 的数值分布,可以通过下面的命令查询得到:

mysql> SELECT -> v value, -> CONCAT(round((c - LAG(c, 1, 0) over()) * 100,1), '%') ratio -> FROM information_schema.column_statistics, -> JSON_TABLE(histogram->'$.buckets','$[*]' COLUMNS(v VARCHAR(60) PATH '$[0]', c double PATH '$[1]')) hist -> WHERE column_name = 'o_orderstatus';+-------+-------+| value | ratio |+-------+-------+| F | 48.4% || O | 49% || P | 2.6% |+-------+-------+3 rows in set (0.00 sec)

可以看到,现在 MySQL 知道状态为 P 的订单只占 2.5%,因此再去查询状态为 P 的订单时,就会使用到索引 idx_orderstatus了

总结

这一讲,我们知道了 MySQL 优化器是 CBO,即一种基于成本的优化器。其会判单每个索引的执行成本,从中选择出最优的执行计划。总结来说:

  • MySQL 优化器是 CBO 的;

  • MySQL 会选择成本最低的执行计划,你可以通过 EXPLAIN 命令查看每个 SQL 的成本;

  • 一般只对高选择度的字段和字段组合创建索引,低选择度的字段如性别,不创建索引;

  • 低选择性,但是数据存在倾斜,通过索引找出少部分数据,可以考虑创建索引;

  • 若数据存在倾斜,可以创建直方图,让优化器知道索引中数据的分布,进一步校准执行计划。

你可能感兴趣的:(mysql,数据库,java)