MySQL实战解析底层---“order by“是怎么工作的

目录

前言

全字段排序

rowid排序

全字段排序 VS rowid排序

---

• 前言

• 在开发应用的时候，一定会经常碰到需要根据指定的字段排序来显示结果的需求
• 以举例市民表为例，假设你要查询城市是“杭州”的所有人名字，并且按照姓名排序返回前1000个人的姓名、年龄
• 假设这个表的部分定义是这样的：

  

• 这时的SQL语句可以这么写：

  

• 这个语句看上去逻辑很清晰，但是你了解它的执行流程吗？
• 在这篇文章聊聊这个语句是怎么执行的，以及有什么参数会影响执行的行为

• 全字段排序

• 前面介绍过索引，所以现在就很清楚了，为避免全表扫描，需要在city字段加上索引
• 在city字段上创建索引之后，用explain命令来看看这个语句的执行情况

  

• Extra这个字段中的“Using filesort”表示的就是需要排序，MySQL会给每个线程分配一块内存用于排序，称为sort_buffer
• 为了说明这个SQL查询语句的执行过程，先来看一下city这个索引的示意图：

  

• 从图中可以看到，满足city='杭州'条件的行，是从ID_X到ID_(X+N)的这些记录
• 通常情况下，这个语句执行流程如下所示：
  • 1-初始化sort_buffer，确定放入name、city、age这三个字段
  • 2-从索引city找到第一个满足city='杭州'条件的主键id，也就是图中的ID_X
  • 3-到主键id索引取出整行，取name、city、age三个字段的值，存入sort_buffer中
  • 4-从索引city取下一个记录的主键id
  • 5-重复步骤3、4直到city的值不满足查询条件为止，对应的主键id也就是图中的ID_Y
  • 6-对sort_buffer中的数据按照字段name做快速排序
  • 7-按照排序结果取前1000行返回给客户端
• 暂且把这个排序过程，称为全字段排序，执行流程的示意图如下所示：

  

• 图中“按name排序”这个动作，可能在内存中完成，也可能需要使用外部排序，这取决于排序所需的内存和参数sort_buffer_size
• sort_buffer_size，就是MySQL为排序开辟的内存（sort_buffer）的大小
• 如果要排序的数据量小于sort_buffer_size，排序就在内存中完成
• 但如果排序数据量太大，内存放不下，则不得不利用磁盘临时文件辅助排序
• 可以用一些方法，来确定一个排序语句是否使用了临时文件
• 某个方法是通过查看 OPTIMIZER_TRACE 的结果来确认的，可以从 number_of_tmp_files中看到是否使用了临时文件

  

• number_of_tmp_files表示的是，排序过程中使用的临时文件数
• 你一定奇怪，为什么需要12个文件？
• 内存放不下时，就需要使用外部排序，外部排序一般使用归并排序算法
• 可以这么简单理解，MySQL将需要排序的数据分成12份，每一份单独排序后存在这些临时文件中
• 然后把这12个有序文件再合并成一个有序的大文件
• 如果sort_buffer_size超过了需要排序的数据量的大小，number_of_tmp_files就是0，表示排序可以直接在内存中完成
• 否则就需要放在临时文件中排序
• sort_buffer_size越小，需要分成的份数越多，number_of_tmp_files的值就越大
• 接下来再解释一下上图中其他两个值的意思
• 示例表中有4000条满足city='杭州’的记录，所以可以看到 examined_rows=4000，表示参与排序的行数是4000行
• sort_mode 里面的packed_additional_fields的意思是，排序过程对字符串做了“紧凑”处理
• 即使name字段的定义是varchar(16)，在排序过程中还是要按照实际长度来分配空间的
• 这里需要注意的是，为了避免对结论造成干扰，把internal_tmp_disk_storage_engine设置成MyISAM
• internal_tmp_disk_storage_engine：内部临时表默认采用的存储引擎
• 否则，select 的结果会显示为4001
• 这是因为查询OPTIMIZER_TRACE这个表时，需要用到临时表，而internal_tmp_disk_storage_engine的默认值是InnoDB
• 如果使用的是InnoDB引擎的话，把数据从临时表取出来的时候，会让Innodb_rows_read的值加1

• rowid排序

• 在上面这个算法过程里面，只对原表的数据读了一遍，剩下的操作都是在sort_buffer和临时文件中执行的
• 但这个算法有一个问题，就是如果查询要返回的字段很多的话，那么sort_buffer里面要放的字段数太多，这样内存里能够同时放下的行数很少，要分成很多个临时文件，排序的性能会很差
• 所以如果单行很大，这个方法效率不够好
• 那么，如果MySQL认为排序的单行长度太大会怎么做呢？
• 接下来，修改一个参数，让MySQL采用另外一种算法

  

• max_length_for_sort_data，是MySQL中专门控制用于排序的行数据的长度的一个参数
• 它的意思是，如果单行的长度超过这个值，MySQL就认为单行太大，要换一个算法
• city、name、age 这三个字段的定义总长度是36，把max_length_for_sort_data设置为16，再来看看计算过程有什么改变
• 新的算法放入sort_buffer的字段，只有要排序的列（即name字段）和主键id
• 但这时，排序的结果就因为少了city和age字段的值，不能直接返回了，整个执行流程就变成如下所示的样子：
  • 1-初始化sort_buffer，确定放入两个字段，即name和id
  • 2-从索引city找到第一个满足city='杭州’条件的主键id，也就是图中的ID_X
  • 3-到主键id索引取出整行，取name、id这两个字段，存入sort_buffer中
  • 4.从索引city取下一个记录的主键id
  • 5-重复步骤3、4直到不满足city='杭州’条件为止，也就是图中的ID_Y
  • 6.对sort_buffer中的数据按照字段name进行排序
  • 7-遍历排序结果，取前1000行，并按照id的值回到原表中取出city、name和age三个字段返回给客户端
• 这个执行流程的示意图如下，我把它称为rowid排序：

  

• 对比之前的全字段排序流程图你会发现，rowid排序多访问了一次表t的主键索引，就是步骤7
• 需要说明的是，最后的“结果集”是一个逻辑概念，实际上MySQL服务端从排序后的sort_buffer中依次取出id，然后到原表查到city、name和age这三个字段的结果，不需要在服务端再耗费内存存储结果，是直接返回给客户端的
• 根据这个说明过程和图示，可以想一下，这个时候执行select ，结果会是多少呢？
• 现在就来看看结果有什么不同
• 首先，图中的examined_rows的值还是4000，表示用于排序的数据是4000行
• 但是select 这个语句的值变成5000了
• 因为这时候除了排序过程外，在排序完成后，还要根据id去原表取值
• 由于语句是limit 1000，因此会多读1000行

  

• 从OPTIMIZER_TRACE的结果中，还能看到另外两个信息也变了
• sort_mode变成了，表示参与排序的只有name和id这两个字段
• number_of_tmp_files变成10了，是因为这时候参与排序的行数虽然仍然是4000行，但是每一行都变小了，因此需要排序的总数据量就变小了，需要的临时文件也相应地变少了

• 全字段排序 VS rowid排序

• 来分析一下，从这两个执行流程里，还能得出什么结论
• 如果MySQL实在是担心排序内存太小，会影响排序效率，才会采用rowid排序算法，这样排序过程中一次可以排序更多行，但是需要再回到原表去取数据
• 如果MySQL认为内存足够大，会优先选择全字段排序，把需要的字段都放到sort_buffer中，这样排序后就会直接从内存里面返回查询结果了，不用再回到原表去取数据
• 这也就体现了MySQL的一个设计思想：如果内存够，就要多利用内存，尽量减少磁盘访问
• 对于InnoDB表来说，rowid排序会要求回表多造成磁盘读，因此不会被优先选择
• 这个结论看上去有点废话的感觉，但是要记住它
• 看到这里就了解了，MySQL做排序是一个成本比较高的操作
• 那么是不是所有的order by都需要排序操作呢？
• 如果不排序就能得到正确的结果，那对系统的消耗会小很多，语句的执行时间也会变得更短
• 其实，并不是所有的order by语句，都需要排序操作的
• 从上面分析的执行过程，可以看到，MySQL之所以需要生成临时表，并且在临时表上做排序操作，其原因是原来的数据都是无序的
• 可以设想下，如果能够保证从city这个索引上取出来的行，天然就是按照name递增排序的话，是不是就可以不用再排序了呢？确实是这样的
• 所以可以在这个市民表上创建一个city和name的联合索引，对应的SQL语句是：

  

• 作为与city索引的对比，来看看这个索引的示意图

  

• 在这个索引里面，依然可以用树搜索的方式定位到第一个满足city='杭州'的记录，并且额外确保了，接下来按顺序取“下一条记录”的遍历过程中，只要city的值是杭州，name的值就一定是有序的
• 这样整个查询过程的流程就变成了：

  

  • 1-从索引(city,name)找到第一个满足city='杭州'条件的主键id
  • 2-到主键id索引取出整行，取name、city、age三个字段的值，作为结果集的一部分直接返回
  • 3-从索引(city,name)取下一个记录主键id
  • 4-重复步骤2、3，直到查到第1000条记录，或者是不满足city='杭州'条件时循环结束
• 可以看到，这个查询过程不需要临时表，也不需要排序
• 接下来用explain的结果来印证一下

  

• 从图中可以看到，Extra字段中没有Using filesort了，也就是不需要排序了
• 而且由于(city,name)这个联合索引本身有序，所以这个查询也不用把4000行全都读一遍，只要找到满足条件的前1000条记录就可以退出了
• 也就是说，在这个例子里，只需要扫描1000次
• 那这个语句的执行流程有没有可能进一步简化呢？
• 覆盖索引是指，索引上的信息足够满足查询请求，不需要再回到主键索引上去取数据
• 按照覆盖索引的概念，可以再优化一下这个查询语句的执行流程
• 针对这个查询，可以创建一个city、name和age的联合索引，对应的SQL语句就是：

  

• 这时，对于city字段的值相同的行来说，还是按照name字段的值递增排序的，此时的查询语句也就不再需要排序了
• 这样整个查询语句的执行流程就变成了：

  

  • 1-从索引(city,name,age)找到第一个满足city='杭州’条件的记录，取出其中的city、name和age这三个字段的值，作为结果集的一部分直接返回
  • 2-从索引(city,name,age)取下一个记录，同样取出这三个字段的值，作为结果集的一部分直接返回
  • 3-重复执行步骤2，直到查到第1000条记录，或者是不满足city='杭州'条件时循环结束
• 然后再来看看explain的结果

  

• 可以看到，Extra字段里面多了“Using index”，表示的就是使用了覆盖索引，性能上会快很多
• 当然，这里并不是说要为了每个查询能用上覆盖索引，就要把语句中涉及的字段都建上联合索引，毕竟索引还是有维护代价的
• 这是一个需要权衡的决定