Day908.join&snlj&dist和group问题和备库自增主键问题 -MySQL实战
join&snlj&dist和group问题和备库自增主键问题
Hi，我是阿昌，今天学习记录的是关于join&snlj&dist和group问题和备库自增主键问题的内容。
一、join 的写法
join 语句怎么优化？中，在介绍 join 执行顺序的时候，用的都是 straight_join。
两个问题：
- 如果用 left join 的话，左边的表一定是驱动表吗？
- 如果两个表的 join 包含多个条件的等值匹配，是都要写到 on 里面呢，还是只把一个条件写到 on 里面，其他条件写到 where 部分？
来构造两个表 a 和 b：
create table a(f1 int, f2 int, index(f1))engine=innodb;
create table b(f1 int, f2 int)engine=innodb;
insert into a values(1,1),(2,2),(3,3),(4,4),(5,5),(6,6);
insert into b values(3,3),(4,4),(5,5),(6,6),(7,7),(8,8);
表 a 和 b 都有两个字段 f1 和 f2，不同的是表 a 的字段 f1 上有索引。
然后，往两个表中都插入了 6 条记录，其中在表 a 和 b 中同时存在的数据有 4 行。
下面这两种写法的区别：
select * from a left join b on(a.f1=b.f1) and (a.f2=b.f2); /*Q1*/
select * from a left join b on(a.f1=b.f1) where (a.f2=b.f2);/*Q2*/
把这两条语句分别记为 Q1 和 Q2。
首先，需要说明的是，这两个 left join 语句的语义逻辑并不相同。
先来看一下它们的执行结果。
可以看到：
- 语句 Q1 返回的数据集是 6 行，表 a 中即使没有满足匹配条件的记录，查询结果中也会返回一行，并将表 b 的各个字段值填成 NULL。
- 语句 Q2 返回的是 4 行。从逻辑上可以这么理解，最后的两行，由于表 b 中没有匹配的字段，结果集里面 b.f2 的值是空，不满足 where 部分的条件判断，因此不能作为结果集的一部分。
接下来，看看实际执行这两条语句时，MySQL 是怎么做的。
先一起看看语句 Q1 的 explain 结果：
可以看到，这个结果符合预期：
- 驱动表是表 a，被驱动表是表 b；
- 由于表 b 的 f1 字段上没有索引，所以使用的是 Block Nested Loop Join（简称 BNL） 算法。
看到 BNL 算法，就应该知道这条语句的执行流程其实是这样的：
- 把表 a 的内容读入 join_buffer 中。因为是 select * ，所以字段 f1 和 f2 都被放入 join_buffer 了。
- 顺序扫描表 b，对于每一行数据，判断 join 条件（也就是 (a.f1=b.f1) and (a.f1=1)）是否满足，满足条件的记录, 作为结果集的一行返回。如果语句中有 where 子句，需要先判断 where 部分满足条件后，再返回。
- 表 b 扫描完成后，对于没有被匹配的表 a 的行（在这个例子中就是 (1,1)、(2,2) 这两行），把剩余字段补上 NULL，再放入结果集中。
对应的流程图如下：
可以看到，这条语句确实是以表 a 为驱动表，而且从执行效果看，也和使用 straight_join 是一样的。
语句 Q2 的查询结果里面少了最后两行数据，是不是就是把上面流程中的步骤 3 去掉呢？
看一下语句 Q2 的 expain 结果吧。
这条语句是以表 b 为驱动表的。而如果一条 join 语句的 Extra 字段什么都没写的话，就表示使用的是 Index Nested-Loop Join（简称 NLJ）算法。
因此，语句 Q2 的执行流程是这样的：
顺序扫描表 b，每一行用 b.f1 到表 a 中去查，匹配到记录后判断 a.f2=b.f2 是否满足，满足条件的话就作为结果集的一部分返回。
那么，为什么语句 Q1 和 Q2 这两个查询的执行流程会差距这么大呢？其实，这是因为优化器基于 Q2 这个查询的语义做了优化。
一个背景知识点：在 MySQL 里，NULL 跟任何值执行等值判断和不等值判断的结果，都是 NULL。
这里包括， select NULL = NULL 的结果，也是返回 NULL。
因此，语句 Q2 里面 where a.f2=b.f2 就表示，查询结果里面不会包含 b.f2 是 NULL 的行，这样这个 left join 的语义就是“找到这两个表里面，f1、f2 对应相同的行。对于表 a 中存在，而表 b 中匹配不到的行，就放弃”。这样，这条语句虽然用的是 left join，但是语义跟 join 是一致的。
因此，优化器就把这条语句的 left join 改写成了 join，然后因为表 a 的 f1 上有索引，就把表 b 作为驱动表，这样就可以用上 NLJ 算法。
在执行 explain 之后，再执行 show warnings，就能看到这个改写的结果，如图 5 所示。
这个例子说明，即使在 SQL 语句中写成 left join，执行过程还是有可能不是从左到右连接的。也就是说，使用 left join 时，左边的表不一定是驱动表。
这样看来，如果需要 left join 的语义，就不能把被驱动表的字段放在 where 条件里面做等值判断或不等值判断，必须都写在 on 里面。
那如果是 join 语句呢？这时候，再看看这两条语句：
select * from a join b on(a.f1=b.f1) and (a.f2=b.f2); /*Q3*/
select * from a join b on(a.f1=b.f1) where (a.f2=b.f2);/*Q4*/
这个例子说明，即使在 SQL 语句中写成 left join，执行过程还是有可能不是从左到右连接的。也就是说，使用 left join 时，左边的表不一定是驱动表。
这样看来，如果需要 left join 的语义，就不能把被驱动表的字段放在 where 条件里面做等值判断或不等值判断，必须都写在 on 里面。
那如果是 join 语句呢？
这时候，再看看这两条语句：
select * from a join b on(a.f1=b.f1) and (a.f2=b.f2); /*Q3*/
select * from a join b on(a.f1=b.f1) where (a.f2=b.f2);/*Q4*/
再使用一次看 explain 和 show warnings 的方法，看看优化器是怎么做的。
可以看到，这两条语句都被改写成：
select * from a join b where (a.f1=b.f1) and (a.f2=b.f2);
执行计划自然也是一模一样的。也就是说，在这种情况下，join 将判断条件是否全部放在 on 部分就没有区别了。
二、Simple Nested Loop Join 的性能问题
join 语句使用不同的算法，对语句的性能影响会很大。在Join语句执行流程中，虽然 BNL 算法和 Simple Nested Loop Join 算法都是要判断 M*N 次（M 和 N 分别是 join 的两个表的行数），但是 Simple Nested Loop Join 算法的每轮判断都要走全表扫描，因此性能上 BNL 算法执行起来会快很多。
为了便于说明，简单描述一下这两个算法。
BNL 算法的执行逻辑是：
- 首先，将驱动表的数据全部读入内存 join_buffer 中，这里 join_buffer 是无序数组；
- 然后，顺序遍历被驱动表的所有行，每一行数据都跟 join_buffer 中的数据进行匹配，匹配成功则作为结果集的一部分返回。
Simple Nested Loop Join 算法的执行逻辑是：顺序取出驱动表中的每一行数据，到被驱动表去做全表扫描匹配，匹配成功则作为结果集的一部分返回。
Simple Nested Loop Join 算法，其实也是把数据读到内存里，然后按照匹配条件进行判断，为什么性能差距会这么大呢？
这个问题，需要用到 MySQL 中索引结构和 Buffer Pool 的相关知识点：
- 在对被驱动表做全表扫描的时候，如果数据没有在 Buffer Pool 中，就需要等待这部分数据从磁盘读入；从磁盘读入数据到内存中，会影响正常业务的 Buffer Pool 命中率，而且这个算法天然会对被驱动表的数据做多次访问，更容易将这些数据页放到 Buffer Pool 的头部；
- 即使被驱动表数据都在内存中，每次查找“下一个记录的操作”，都是类似指针操作。而 join_buffer 中是数组，遍历的成本更低。
所以说，BNL 算法的性能会更好。
三、distinct 和 group by 的性能
在内部临时表中，如果只需要去重，不需要执行聚合函数，distinct 和 group by 哪种效率高一些呢？
如果表 t 的字段 a 上没有索引，那么下面这两条语句：
select a from t group by a order by null;
select distinct a from t;
的性能是不是相同的?
首先需要说明的是，这种 group by 的写法，并不是 SQL 标准的写法。
标准的 group by 语句，是需要在 select 部分加一个聚合函数，比如：
select a,count(*) from t group by a order by null;
这条语句的逻辑是：按照字段 a 分组，计算每组的 a 出现的次数。
在这个结果里，由于做的是聚合计算，相同的 a 只出现一次。
没有了 count(*) 以后，也就是不再需要执行“计算总数”的逻辑时，第一条语句的逻辑就变成是：按照字段 a 做分组，相同的 a 的值只返回一行。而这就是 distinct 的语义，所以不需要执行聚合函数时，distinct 和 group by 这两条语句的语义和执行流程是相同的，因此执行性能也相同。
这两条语句的执行流程是下面这样的。
- 创建一个临时表，临时表有一个字段 a，并且在这个字段 a 上创建一个唯一索引；
- 遍历表 t，依次取数据插入临时表中：
- 如果发现唯一键冲突，就跳过；
- 否则插入成功；
- 遍历完成后，将临时表作为结果集返回给客户端。
四、备库自增主键问题
在[自增主键不能保证连续递增](https://blog.csdn.net/qq_43284469/article/details/129270486，在 binlog_format=statement 时，语句 A 先获取 id=1，然后语句 B 获取 id=2；接着语句 B 提交，写 binlog，然后语句 A 再写 binlog。
这时候，如果 binlog 重放，是不是会发生语句 B 的 id 为 1，而语句 A 的 id 为 2 的不一致情况呢？
首先，这个问题默认了“自增 id 的生成顺序，和 binlog 的写入顺序可能是不同的”，这个理解是正确的。
这个问题限定在 statement 格式下，也是对的。因为 row 格式的 binlog 就没有这个问题了，Write row event 里面直接写了每一行的所有字段的值。而至于为什么不会发生不一致的情况，来看一下下面的这个例子。
create table t(id int auto_increment primary key);
insert into t values(null);
可以看到，在 insert 语句之前，还有一句 SET INSERT_ID=1。这条命令的意思是，这个线程里下一次需要用到自增值的时候，不论当前表的自增值是多少，固定用 1 这个值。
这个 SET INSERT_ID 语句是固定跟在 insert 语句之前的，主库上语句 A 的 id 是 1，语句 B 的 id 是 2，但是写入 binlog 的顺序先 B 后 A，那么 binlog 就变成：
SET INSERT_ID=2;
语句B；
SET INSERT_ID=1;
语句A；
在备库上语句 B 用到的 INSERT_ID 依然是 2，跟主库相同。
因此，即使两个 INSERT 语句在主备库的执行顺序不同，自增主键字段的值也不会不一致。