PAT 甲級 1018 Public Bike Management
建索引的幾大原則
-
最左字首匹配原則
mysql會一直向右匹配直到遇到範圍查詢(>、<、between、like)就停止匹配，比如a = 1 and b = 2 and c > 3 and d = 4 如果建立(a,b,c,d)順序的索引，d是用不到索引的，如果建立(a,b,d,c)的索引則都可以用到，a,b,d的順序可以任意調整。
-
=和in可以亂序
比如a = 1 and b = 2 and c = 3 建立(a,b,c)索引可以任意順序，mysql的查詢優化器會幫你優化成索引可以識別的形式。
-
儘量選擇區分度高的列作為索引
區分度的公式是count(distinct col)/count(*)，表示欄位不重複的比例，比例越大我們掃描的記錄數越少。唯一鍵的區分度是1，而一些狀態、性別欄位可能在大資料面前區分度就是0，那可能有人會問，這個比例有什麼經驗值嗎？使用場景不同，這個值也很難確定，一般需要join的欄位我們都要求是0.1以上，即平均1條掃描10條記錄。
-
索引列不能參與計算，保持列“乾淨”
比如from_unixtime(create_time) = ’2014-05-29’就不能使用到索引，原因很簡單，b+樹中存的都是資料表中的欄位值，但進行檢索時，需要把所有元素都應用函式才能比較，顯然成本太大。所以語句應該寫成create_time = unix_timestamp(’2014-05-29’)。
-
儘量的擴充套件索引，不要新建索引
比如表中已經有a的索引，現在要加(a,b)的索引，那麼只需要修改原來的索引即可。
select count(*) from task where status=2 and operator_id=20839 and operate_time>1371169729 and operate_time<1371174603 and type=2;
這個表的其他相關查詢：
select * from task where status = 0 and type = 12 limit 10;
select count(*) from task where status = 0 ;
根據最左匹配原則，最開始的sql語句的索引應該是status、operator_id、type、operate_time的聯合索引；其中status、operator_id、type的順序可以顛倒，可以覆蓋到所有情況。 利用了索引的最左匹配的原則
查詢優化神器 - explain命令
rows是核心指標，絕大部分rows小的語句執行一定很快（有例外，下面會講到）。所以優化語句基本上都是在優化rows。
慢查詢優化基本步驟
- 先執行看看是否真的很慢，注意設定SQL_NO_CACHE
- where條件單表查，鎖定最小返回記錄表。這句話的意思是把查詢語句的where都應用到表中返回的記錄數最小的表開始查起，單表每個欄位分別查詢，看哪個欄位的區分度最高
- explain檢視執行計劃，是否與1預期一致（從鎖定記錄較少的表開始查詢）
- order by limit 形式的sql語句讓排序的表優先查
- 瞭解業務方使用場景
- 加索引時參照建索引的幾大原則
- 觀察結果，不符合預期繼續從1分析
幾個慢查詢案例
不同的語句書寫方式對於效率往往有本質的差別
select
distinct cert.emp_id
from
cm_log cl
inner join
(
select
emp.id as emp_id,
emp_cert.id as cert_id
from
employee emp
left join
emp_certificate emp_cert
on emp.id = emp_cert.emp_id
where
emp.is_deleted=0
) cert
on (
cl.ref_table='Employee'
and cl.ref_oid= cert.emp_id
)
or (
cl.ref_table='EmpCertificate'
and cl.ref_oid= cert.cert_id
)
where
cl.last_upd_date >='2013-11-07 15:03:00'
and cl.last_upd_date<='2013-11-08 16:00:00';
-
先執行一下，53條記錄 1.87秒，又沒有用聚合語句，比較慢
53 rows in set (1.87 sec) -
explain
+----+-------------+------------+-------+---------------------------------+-----------------------+---------+-------------------+-------+--------------------------------+ | id | select_type | table | type | possible_keys | key | key_len | ref | rows | Extra | +----+-------------+------------+-------+---------------------------------+-----------------------+---------+-------------------+-------+--------------------------------+ | 1 | PRIMARY | cl | range | cm_log_cls_id,idx_last_upd_date | idx_last_upd_date | 8 | NULL | 379 | Using where; Using temporary | | 1 | PRIMARY | <derived2> | ALL | NULL | NULL | NULL | NULL | 63727 | Using where; Using join buffer | | 2 | DERIVED | emp | ALL | NULL | NULL | NULL | NULL | 13317 | Using where | | 2 | DERIVED | emp_cert | ref | emp_certificate_empid | emp_certificate_empid | 4 | meituanorg.emp.id | 1 | Using index | +----+-------------+------------+-------+---------------------------------+-----------------------+---------+-------------------+-------+--------------------------------+簡述一下執行計劃，首先mysql根據idx_last_upd_date索引掃描cm_log表獲得379條記錄；然後查表掃描了63727條記錄，分為兩部分，derived表示構造表，也就是不存在的表，可以簡單理解成是一個語句形成的結果集，後面的數字表示語句的ID。derived2表示的是ID = 2的查詢構造了虛擬表，並且返回了63727條記錄。我們再來看看ID = 2的語句究竟做了寫什麼返回了這麼大量的資料，首先全表掃描employee表13317條記錄，然後根據索引emp_certificate_empid關聯emp_certificate表，rows = 1表示，每個關聯都只鎖定了一條記錄，效率比較高。獲得後，再和cm_log的379條記錄根據規則關聯。從執行過程上可以看出返回了太多的資料，返回的資料絕大部分cm_log都用不到，因為cm_log只鎖定了379條記錄。
如何優化呢？可以看到我們在執行完後還是要和cm_log做join,那麼我們能不能之前和cm_log做join呢？仔細分析語句不難發現，其基本思想是如果cm_log的ref_table是EmpCertificate就關聯emp_certificate表，如果ref_table是Employee就關聯employee表，我們完全可以拆成兩部分，並用union連線起來，注意這裡用union，而不用union all是因為原語句有“distinct”來得到唯一的記錄，而union恰好具備了這種功能。如果原語句中沒有distinct不需要去重，我們就可以直接使用union all了，因為使用union需要去重的動作，會影響SQL效能。
優化過的語句如下：
select emp.id from cm_log cl inner join employee emp on cl.ref_table = 'Employee' and cl.ref_oid = emp.id where cl.last_upd_date >='2013-11-07 15:03:00' and cl.last_upd_date<='2013-11-08 16:00:00' and emp.is_deleted = 0 union select emp.id from cm_log cl inner join emp_certificate ec on cl.ref_table = 'EmpCertificate' and cl.ref_oid = ec.id inner join employee emp on emp.id = ec.emp_id where cl.last_upd_date >='2013-11-07 15:03:00' and cl.last_upd_date<='2013-11-08 16:00:00' and emp.is_deleted = 0 -
不需要了解業務場景，只需要改造的語句和改造之前的語句保持結果一致
-
現有索引可以滿足，不需要建索引
-
用改造後的語句實驗一下，只需要10ms 降低了近200倍！
+----+--------------+------------+--------+---------------------------------+-------------------+---------+-----------------------+------+-------------+ | id | select_type | table | type | possible_keys | key | key_len | ref | rows | Extra | +----+--------------+------------+--------+---------------------------------+-------------------+---------+-----------------------+------+-------------+ | 1 | PRIMARY | cl | range | cm_log_cls_id,idx_last_upd_date | idx_last_upd_date | 8 | NULL | 379 | Using where | | 1 | PRIMARY | emp | eq_ref | PRIMARY | PRIMARY | 4 | meituanorg.cl.ref_oid | 1 | Using where | | 2 | UNION | cl | range | cm_log_cls_id,idx_last_upd_date | idx_last_upd_date | 8 | NULL | 379 | Using where | | 2 | UNION | ec | eq_ref | PRIMARY,emp_certificate_empid | PRIMARY | 4 | meituanorg.cl.ref_oid | 1 | | | 2 | UNION | emp | eq_ref | PRIMARY | PRIMARY | 4 | meituanorg.ec.emp_id | 1 | Using where | | NULL | UNION RESULT | <union1,2> | ALL | NULL | NULL | NULL | NULL | NULL | | +----+--------------+------------+--------+---------------------------------+-------------------+---------+-----------------------+------+-------------+ 53 rows in set (0.01 sec)
明確應用場景
舉這個例子的目的在於顛覆我們對列的區分度的認知，一般上我們認為區分度越高的列，越容易鎖定更少的記錄，但在一些特殊的情況下，這種理論是有侷限性的。
select
*
from
stage_poi sp
where
sp.accurate_result=1
and (
sp.sync_status=0
or sp.sync_status=2
or sp.sync_status=4
);
-
先看看執行多長時間,951條資料6.22秒，真的很慢。
-
先explain，rows達到了361萬，type = ALL表明是全表掃描。
+----+-------------+-------+------+---------------+------+---------+------+---------+-------------+ | id | select_type | table | type | possible_keys | key | key_len | ref | rows | Extra | +----+-------------+-------+------+---------------+------+---------+------+---------+-------------+ | 1 | SIMPLE | sp | ALL | NULL | NULL | NULL | NULL | 3613155 | Using where | +----+-------------+-------+------+---------------+------+---------+------+---------+-------------+ -
所有欄位都應用查詢返回記錄數，因為是單表查詢 0已經做過了951條。
看一下accurate_result = 1的記錄數：
select count(*),accurate_result from stage_poi group by accurate_result; +----------+-----------------+ | count(*) | accurate_result | +----------+-----------------+ | 1023 | -1 | | 2114655 | 0 | | 972815 | 1 | +----------+-----------------+我們看到accurate_result這個欄位的區分度非常低，整個表只有-1,0,1三個值，加上索引也無法鎖定特別少量的資料。
再看一下sync_status欄位的情況：
select count(*),sync_status from stage_poi group by sync_status; +----------+-------------+ | count(*) | sync_status | +----------+-------------+ | 3080 | 0 | | 3085413 | 3 | +----------+-------------+同樣的區分度也很低，根據理論，也不適合建立索引。
問題分析到這，好像得出了這個表無法優化的結論，兩個列的區分度都很低，即便加上索引也只能適應這種情況，很難做普遍性的優化，比如當sync_status 0、3分佈的很平均，那麼鎖定記錄也是百萬級別的。
-
找業務方去溝通，看看使用場景。業務方是這麼來使用這個SQL語句的，每隔五分鐘會掃描符合條件的資料，處理完成後把sync_status這個欄位變成1,五分鐘符合條件的記錄數並不會太多，1000個左右。瞭解了業務方的使用場景後，優化這個SQL就變得簡單了，因為業務方保證了資料的不平衡，如果加上索引可以過濾掉絕大部分不需要的資料。
-
根據建立索引規則，使用如下語句建立索引
alter table stage_poi add index idx_acc_status(accurate_result,sync_status); -
觀察預期結果,發現只需要200ms，快了30多倍。
952 rows in set (0.20 sec)
單表查詢相對來說比較好優化，大部分時候只需要把where條件裡面的欄位依照規則加上索引就好，如果只是這種“無腦”優化的話，顯然一些區分度非常低的列，不應該加索引的列也會被加上索引，這樣會對插入、更新效能造成嚴重的影響，同時也有可能影響其它的查詢語句。所以我們第4步調差SQL的使用場景非常關鍵，我們只有知道這個業務場景，才能更好地輔助我們更好的分析和優化查詢語句。
無法優化的語句
select
c.id,
c.name,
c.position,
c.sex,
c.phone,
c.office_phone,
c.feature_info,
c.birthday,
c.creator_id,
c.is_keyperson,
c.giveup_reason,
c.status,
c.data_source,
from_unixtime(c.created_time) as created_time,
from_unixtime(c.last_modified) as last_modified,
c.last_modified_user_id
from
contact c
inner join
contact_branch cb
on c.id = cb.contact_id
inner join
branch_user bu
on cb.branch_id = bu.branch_id
and bu.status in (
1,
2)
inner join
org_emp_info oei
on oei.data_id = bu.user_id
and oei.node_left >= 2875
and oei.node_right <= 10802
and oei.org_category = - 1
order by
c.created_time desc limit 0 ,
10;
-
先看語句執行多長時間，10條記錄用了13秒，已經不可忍受。
-
explain
+----+-------------+-------+--------+-------------------------------------+-------------------------+---------+--------------------------+------+----------------------------------------------+ | id | select_type | table | type | possible_keys | key | key_len | ref | rows | Extra | +----+-------------+-------+--------+-------------------------------------+-------------------------+---------+--------------------------+------+----------------------------------------------+ | 1 | SIMPLE | oei | ref | idx_category_left_right,idx_data_id | idx_category_left_right | 5 | const | 8849 | Using where; Using temporary; Using filesort | | 1 | SIMPLE | bu | ref | PRIMARY,idx_userid_status | idx_userid_status | 4 | meituancrm.oei.data_id | 76 | Using where; Using index | | 1 | SIMPLE | cb | ref | idx_branch_id,idx_contact_branch_id | idx_branch_id | 4 | meituancrm.bu.branch_id | 1 | | | 1 | SIMPLE | c | eq_ref | PRIMARY | PRIMARY | 108 | meituancrm.cb.contact_id | 1 | | +----+-------------+-------+--------+-------------------------------------+-------------------------+---------+--------------------------+------+----------------------------------------------+從執行計劃上看，mysql先查org_emp_info表掃描8849記錄，再用索引idx_userid_status關聯branch_user表，再用索引idx_branch_id關聯contact_branch表，最後主鍵關聯contact表。
rows返回的都非常少，看不到有什麼異常情況。我們在看一下語句，發現後面有order by + limit組合，會不會是排序量太大搞的？於是我們簡化SQL，去掉後面的order by 和 limit，看看到底用了多少記錄來排序。
select count(*) from contact c inner join contact_branch cb on c.id = cb.contact_id inner join branch_user bu on cb.branch_id = bu.branch_id and bu.status in ( 1, 2) inner join org_emp_info oei on oei.data_id = bu.user_id and oei.node_left >= 2875 and oei.node_right <= 10802 and oei.org_category = - 1 +----------+ | count(*) | +----------+ | 778878 | +----------+ 1 row in set (5.19 sec)發現排序之前居然鎖定了778878條記錄，如果針對70萬的結果集排序，將是災難性的，怪不得這麼慢，那我們能不能換個思路，先根據contact的created_time排序，再來join會不會比較快呢？
於是改造成下面的語句，也可以用straight_join來優化：
select c.id, c.name, c.position, c.sex, c.phone, c.office_phone, c.feature_info, c.birthday, c.creator_id, c.is_keyperson, c.giveup_reason, c.status, c.data_source, from_unixtime(c.created_time) as created_time, from_unixtime(c.last_modified) as last_modified, c.last_modified_user_id from contact c where exists ( select 1 from contact_branch cb inner join branch_user bu on cb.branch_id = bu.branch_id and bu.status in ( 1, 2) inner join org_emp_info oei on oei.data_id = bu.user_id and oei.node_left >= 2875 and oei.node_right <= 10802 and oei.org_category = - 1 where c.id = cb.contact_id ) order by c.created_time desc limit 0 , 10;驗證一下效果 預計在1ms內，提升了13000多倍！
10 rows in set (0.00 sec)本以為至此大工告成，但我們在前面的分析中漏了一個細節，先排序再join和先join再排序理論上開銷是一樣的，為何提升這麼多是因為有一個limit！大致執行過程是：mysql先按索引排序得到前10條記錄，然後再去join過濾，當發現不夠10條的時候，再次去10條，再次join，這顯然在內層join過濾的資料非常多的時候，將是災難的，極端情況，內層一條資料都找不到，mysql還傻乎乎的每次取10條，幾乎遍歷了這個資料表！
用不同引數的SQL試驗下：
select sql_no_cache c.id, c.name, c.position, c.sex, c.phone, c.office_phone, c.feature_info, c.birthday, c.creator_id, c.is_keyperson, c.giveup_reason, c.status, c.data_source, from_unixtime(c.created_time) as created_time, from_unixtime(c.last_modified) as last_modified, c.last_modified_user_id from contact c where exists ( select 1 from contact_branch cb inner join branch_user bu on cb.branch_id = bu.branch_id and bu.status in ( 1, 2) inner join org_emp_info oei on oei.data_id = bu.user_id and oei.node_left >= 2875 and oei.node_right <= 2875 and oei.org_category = - 1 where c.id = cb.contact_id ) order by c.created_time desc limit 0 , 10; Empty set (2 min 18.99 sec)2min 18.99 sec！比之前的情況還糟糕很多。由於mysql的nested loop機制，遇到這種情況，基本是無法優化的。這條語句最終也只能交給應用系統去優化自己的邏輯了。
通過這個例子我們可以看到，並不是所有語句都能優化，而往往我們優化時，由於SQL用例迴歸時落掉一些極端情況，會造成比原來還嚴重的後果。所以
- 不要指望所有語句都能通過SQL優化
- 不要過於自信，只針對具體case來優化，而忽略了更復雜的情況。
任何資料庫層面的優化都抵不上應用系統的優化