17 | 如何正確地顯示隨機消息？
我在上一篇文章，為你講解完order by語句的幾種執行模式後，就想到了之前一個做英語學習App的朋友碰到過的一個性能問題。今天這篇文章，我就從這個性能問題說起，和你說說MySQL中的另外一種排序需求，希望能夠加深你對MySQL排序邏輯的理解。
這個英語學習App首頁有一個隨機顯示單詞的功能，也就是根據每個用戶的級別有一個單詞表，然後這個用戶每次訪問首頁的時候，都會隨機滾動顯示三個單詞。他們發現隨著單詞表變大，選單詞這個邏輯變得越來越慢，甚至影響到了首頁的打開速度。
現在，如果讓你來設計這個SQL語句，你會怎麽寫呢？
為了便於理解，我對這個例子進行了簡化：去掉每個級別的用戶都有一個對應的單詞表這個邏輯，直接就是從一個單詞表中隨機選出三個單詞。這個表的建表語句和初始數據的命令如下：
mysql> CREATE TABLE `words` (
`id` int(11) NOT NULL AUTO_INCREMENT,
`word` varchar(64) DEFAULT NULL,
PRIMARY KEY (`id`)
) ENGINE=InnoDB;
delimiter ;;
create procedure idata()
begin
declare i int;
set i=0;
while i為了便於量化說明，我在這個表裏面插入了10000行記錄。接下來，我們就一起看看要隨機選擇3個單詞，有什麽方法實現，存在什麽問題以及如何改進。
內存臨時表
首先，你會想到用order by rand()來實現這個邏輯。
mysql> select word from words order by rand() limit 3;
這個語句的意思很直白，隨機排序取前3個。雖然這個SQL語句寫法很簡單，但執行流程卻有點復雜的。
我們先用explain命令來看看這個語句的執行情況。
Extra字段顯示Using temporary，表示的是需要使用臨時表；Using filesort，表示的是需要執行排序操作。
因此這個Extra的意思就是，需要臨時表，並且需要在臨時表上排序。
這裏，你可以先回顧一下上一篇文章中全字段排序和rowid排序的內容。我把上一篇文章的兩個流程圖貼過來，方便你復習。
然後，我再問你一個問題，你覺得對於臨時內存表的排序來說，它會選擇哪一種算法呢？回顧一下上一篇文章的一個結論：對於InnoDB表來說，執行全字段排序會減少磁盤訪問，因此會被優先選擇。
我強調了“InnoDB表”，你肯定想到了，對於內存表，回表過程只是簡單地根據數據行的位置，直接訪問內存得到數據，根本不會導致多訪問磁盤。優化器沒有了這一層顧慮，那麽它會優先考慮的，就是用於排序的行越少越好了，所以，MySQL這時就會選擇rowid排序。
理解了這個算法選擇的邏輯，我們再來看看語句的執行流程。同時，通過今天的這個例子，我們來嘗試分析一下語句的掃描行數。
這條語句的執行流程是這樣的：
-
創建一個臨時表。這個臨時表使用的是memory引擎，表裏有兩個字段，第一個字段是double類型，為了後面描述方便，記為字段R，第二個字段是varchar(64)類型，記為字段W。並且，這個表沒有建索引。
-
從words表中，按主鍵順序取出所有的word值。對於每一個word值，調用rand()函數生成一個大於0小於1的隨機小數，並把這個隨機小數和word分別存入臨時表的R和W字段中，到此，掃描行數是10000。
-
現在臨時表有10000行數據了，接下來你要在這個沒有索引的內存臨時表上，按照字段R排序。
-
初始化 sort_buffer。sort_buffer中有兩個字段，一個是double類型，另一個是整型。
-
從內存臨時表中一行一行地取出R值和位置信息（我後面會和你解釋這裏為什麽是“位置信息”），分別存入sort_buffer中的兩個字段裏。這個過程要對內存臨時表做全表掃描，此時掃描行數增加10000，變成了20000。
-
在sort_buffer中根據R的值進行排序。註意，這個過程沒有涉及到表操作，所以不會增加掃描行數。
-
排序完成後，取出前三個結果的位置信息，依次到內存臨時表中取出word值，返回給客戶端。這個過程中，訪問了表的三行數據，總掃描行數變成了20003。
接下來，我們通過慢查詢日誌（slow log）來驗證一下我們分析得到的掃描行數是否正確。
# Query_time: 0.900376 Lock_time: 0.000347 Rows_sent: 3 Rows_examined: 20003
SET timestamp=1541402277;
select word from words order by rand() limit 3;
其中，Rows_examined：20003就表示這個語句執行過程中掃描了20003行，也就驗證了我們分析得出的結論。
這裏插一句題外話，在平時學習概念的過程中，你可以經常這樣做，先通過原理分析算出掃描行數，然後再通過查看慢查詢日誌，來驗證自己的結論。我自己就是經常這麽做，這個過程很有趣，分析對了開心，分析錯了但是弄清楚了也很開心。
現在，我來把完整的排序執行流程圖畫出來。
圖中的pos就是位置信息，你可能會覺得奇怪，這裏的“位置信息”是個什麽概念？在上一篇文章中，我們對InnoDB表排序的時候，明明用的還是ID字段。
這時候，我們就要回到一個基本概念：MySQL的表是用什麽方法來定位“一行數據”的。
在前面第4和第5篇介紹索引的文章中，有幾位同學問到，如果把一個InnoDB表的主鍵刪掉，是不是就沒有主鍵，就沒辦法回表了？
其實不是的。如果你創建的表沒有主鍵，或者把一個表的主鍵刪掉了，那麽InnoDB會自己生成一個長度為6字節的rowid來作為主鍵。
這也就是排序模式裏面，rowid名字的來歷。實際上它表示的是：每個引擎用來唯一標識數據行的信息。
- 對於有主鍵的InnoDB表來說，這個rowid就是主鍵ID；
- 對於沒有主鍵的InnoDB表來說，這個rowid就是由系統生成的；
- MEMORY引擎不是索引組織表。在這個例子裏面，你可以認為它就是一個數組。因此，這個rowid其實就是數組的下標。
到這裏，我來稍微小結一下：order by rand()使用了內存臨時表，內存臨時表排序的時候使用了rowid排序方法。
磁盤臨時表
那麽，是不是所有的臨時表都是內存表呢？
其實不是的。tmp_table_size這個配置限制了內存臨時表的大小，默認值是16M。如果臨時表大小超過了tmp_table_size，那麽內存臨時表就會轉成磁盤臨時表。
磁盤臨時表使用的引擎默認是InnoDB，是由參數internal_tmp_disk_storage_engine控制的。
當使用磁盤臨時表的時候，對應的就是一個沒有顯式索引的InnoDB表的排序過程。
為了復現這個過程，我把tmp_table_size設置成1024，把sort_buffer_size設置成 32768, 把 max_length_for_sort_data 設置成16。
set tmp_table_size=1024;
set sort_buffer_size=32768;
set max_length_for_sort_data=16;
/* 打開 optimizer_trace，只對本線程有效 */
SET optimizer_trace=‘enabled=on‘;
/* 執行語句 */
select word from words order by rand() limit 3;
/* 查看 OPTIMIZER_TRACE 輸出 */
SELECT * FROM `information_schema`.`OPTIMIZER_TRACE`\G
然後，我們來看一下這次OPTIMIZER_TRACE的結果。
因為將max_length_for_sort_data設置成16，小於word字段的長度定義，所以我們看到sort_mode裏面顯示的是rowid排序，這個是符合預期的，參與排序的是隨機值R字段和rowid字段組成的行。
這時候你可能心算了一下，發現不對。R字段存放的隨機值就8個字節，rowid是6個字節（至於為什麽是6字節，就留給你課後思考吧），數據總行數是10000，這樣算出來就有140000字節，超過了sort_buffer_size 定義的 32768字節了。但是，number_of_tmp_files的值居然是0，難道不需要用臨時文件嗎？
這個SQL語句的排序確實沒有用到臨時文件，采用是MySQL 5.6版本引入的一個新的排序算法，即：優先隊列排序算法。接下來，我們就看看為什麽沒有使用臨時文件的算法，也就是歸並排序算法，而是采用了優先隊列排序算法。
其實，我們現在的SQL語句，只需要取R值最小的3個rowid。但是，如果使用歸並排序算法的話，雖然最終也能得到前3個值，但是這個算法結束後，已經將10000行數據都排好序了。
也就是說，後面的9997行也是有序的了。但，我們的查詢並不需要這些數據是有序的。所以，想一下就明白了，這浪費了非常多的計算量。
而優先隊列算法，就可以精確地只得到三個最小值，執行流程如下：
- 對於這10000個準備排序的(R,rowid)，先取前三行，構造成一個堆；
（對數據結構印象模糊的同學，可以先設想成這是一個由三個元素組成的數組）
-
取下一個行(R’,rowid’)，跟當前堆裏面最大的R比較，如果R’小於R，把這個(R,rowid)從堆中去掉，換成(R’,rowid’)；
-
重復第2步，直到第10000個(R’,rowid’)完成比較。
這裏我簡單畫了一個優先隊列排序過程的示意圖。
圖6是模擬6個(R,rowid)行，通過優先隊列排序找到最小的三個R值的行的過程。整個排序過程中，為了最快地拿到當前堆的最大值，總是保持最大值在堆頂，因此這是一個最大堆。
圖5的OPTIMIZER_TRACE結果中，filesort_priority_queue_optimization這個部分的chosen=true，就表示使用了優先隊列排序算法，這個過程不需要臨時文件，因此對應的number_of_tmp_files是0。
這個流程結束後，我們構造的堆裏面，就是這個10000行裏面R值最小的三行。然後，依次把它們的rowid取出來，去臨時表裏面拿到word字段，這個過程就跟上一篇文章的rowid排序的過程一樣了。
我們再看一下上面一篇文章的SQL查詢語句：
select city,name,age from t where city=‘杭州‘ order by name limit 1000 ;
你可能會問，這裏也用到了limit，為什麽沒用優先隊列排序算法呢？原因是，這條SQL語句是limit 1000，如果使用優先隊列算法的話，需要維護的堆的大小就是1000行的(name,rowid)，超過了我設置的sort_buffer_size大小，所以只能使用歸並排序算法。
總之，不論是使用哪種類型的臨時表，order by rand()這種寫法都會讓計算過程非常復雜，需要大量的掃描行數，因此排序過程的資源消耗也會很大。
再回到我們文章開頭的問題，怎麽正確地隨機排序呢？
隨機排序方法
我們先把問題簡化一下，如果只隨機選擇1個word值，可以怎麽做呢？思路上是這樣的：
-
取得這個表的主鍵id的最大值M和最小值N;
-
用隨機函數生成一個最大值到最小值之間的數 X = (M-N)*rand() + N;
-
取不小於X的第一個ID的行。
我們把這個算法，暫時稱作隨機算法1。這裏，我直接給你貼一下執行語句的序列:
mysql> select max(id),min(id) into @M,@N from t ;
set @X= floor((@M-@N+1)*rand() + @N);
select * from t where id >= @X limit 1;
這個方法效率很高，因為取max(id)和min(id)都是不需要掃描索引的，而第三步的select也可以用索引快速定位，可以認為就只掃描了3行。但實際上，這個算法本身並不嚴格滿足題目的隨機要求，因為ID中間可能有空洞，因此選擇不同行的概率不一樣，不是真正的隨機。
比如你有4個id，分別是1、2、4、5，如果按照上面的方法，那麽取到 id=4的這一行的概率是取得其他行概率的兩倍。
如果這四行的id分別是1、2、40000、40001呢？這個算法基本就能當bug來看待了。
所以，為了得到嚴格隨機的結果，你可以用下面這個流程:
-
取得整個表的行數，並記為C。
-
取得 Y = floor(C * rand())。 floor函數在這裏的作用，就是取整數部分。
-
再用limit Y,1 取得一行。
我們把這個算法，稱為隨機算法2。下面這段代碼，就是上面流程的執行語句的序列。
mysql> select count(*) into @C from t;
set @Y = floor(@C * rand());
set @sql = concat("select * from t limit ", @Y, ",1");
prepare stmt from @sql;
execute stmt;
DEALLOCATE prepare stmt;
由於limit 後面的參數不能直接跟變量，所以我在上面的代碼中使用了prepare+execute的方法。你也可以把拼接SQL語句的方法寫在應用程序中，會更簡單些。
這個隨機算法2，解決了算法1裏面明顯的概率不均勻問題。
MySQL處理limit Y,1 的做法就是按順序一個一個地讀出來，丟掉前Y個，然後把下一個記錄作為返回結果，因此這一步需要掃描Y+1行。再加上，第一步掃描的C行，總共需要掃描C+Y+1行，執行代價比隨機算法1的代價要高。
當然，隨機算法2跟直接order by rand()比起來，執行代價還是小很多的。
你可能問了，如果按照這個表有10000行來計算的話，C=10000，要是隨機到比較大的Y值，那掃描行數也跟20000差不多了，接近order by rand()的掃描行數，為什麽說隨機算法2的代價要小很多呢？我就把這個問題留給你去課後思考吧。
現在，我們再看看，如果我們按照隨機算法2的思路，要隨機取3個word值呢？你可以這麽做：
-
取得整個表的行數，記為C；
-
根據相同的隨機方法得到Y1、Y2、Y3；
-
再執行三個limit Y, 1語句得到三行數據。
我們把這個算法，稱作隨機算法3。下面這段代碼，就是上面流程的執行語句的序列。
mysql> select count(*) into @C from t;
set @Y1 = floor(@C * rand());
set @Y2 = floor(@C * rand());
set @Y3 = floor(@C * rand());
select * from t limit @Y1，1； //在應用代碼裏面取Y1、Y2、Y3值，拼出SQL後執行
select * from t limit @Y2，1；
select * from t limit @Y3，1；
小結
今天這篇文章，我是借著隨機排序的需求，跟你介紹了MySQL對臨時表排序的執行過程。
如果你直接使用order by rand()，這個語句需要Using temporary 和 Using filesort，查詢的執行代價往往是比較大的。所以，在設計的時候你要量避開這種寫法。
今天的例子裏面，我們不是僅僅在數據庫內部解決問題，還會讓應用代碼配合拼接SQL語句。在實際應用的過程中，比較規範的用法就是：盡量將業務邏輯寫在業務代碼中，讓數據庫只做“讀寫數據”的事情。因此，這類方法的應用還是比較廣泛的。
最後，我給你留下一個思考題吧。
上面的隨機算法3的總掃描行數是 C+(Y1+1)+(Y2+1)+(Y3+1)，實際上它還是可以繼續優化，來進一步減少掃描行數的。
我的問題是，如果你是這個需求的開發人員，你會怎麽做，來減少掃描行數呢？說說你的方案，並說明你的方案需要的掃描行數。
你可以把你的設計和結論寫在留言區裏，我會在下一篇文章的末尾和你討論這個問題。感謝你的收聽，也歡迎你把這篇文章分享給更多的朋友一起閱讀。
上期問題時間
我在上一篇文章最後留給你的問題是，select * from t where city in (“杭州”," 蘇州 ") order by name limit 100;這個SQL語句是否需要排序？有什麽方案可以避免排序？
雖然有(city,name)聯合索引，對於單個city內部，name是遞增的。但是由於這條SQL語句不是要單獨地查一個city的值，而是同時查了"杭州"和" 蘇州 "兩個城市，因此所有滿足條件的name就不是遞增的了。也就是說，這條SQL語句需要排序。
那怎麽避免排序呢？
這裏，我們要用到(city,name)聯合索引的特性，把這一條語句拆成兩條語句，執行流程如下：
-
執行select * from t where city=“杭州” order by name limit 100; 這個語句是不需要排序的，客戶端用一個長度為100的內存數組A保存結果。
-
執行select * from t where city=“蘇州” order by name limit 100; 用相同的方法，假設結果被存進了內存數組B。
-
現在A和B是兩個有序數組，然後你可以用歸並排序的思想，得到name最小的前100值，就是我們需要的結果了。
如果把這條SQL語句裏“limit 100”改成“limit 10000,100”的話，處理方式其實也差不多，即：要把上面的兩條語句改成寫：
select * from t where city="杭州" order by name limit 10100;
和
select * from t where city="蘇州" order by name limit 10100。
這時候數據量較大，可以同時起兩個連接一行行讀結果，用歸並排序算法拿到這兩個結果集裏，按順序取第10001~10100的name值，就是需要的結果了。
當然這個方案有一個明顯的損失，就是從數據庫返回給客戶端的數據量變大了。
所以，如果數據的單行比較大的話，可以考慮把這兩條SQL語句改成下面這種寫法：
select id,name from t where city="杭州" order by name limit 10100;
和
select id,name from t where city="蘇州" order by name limit 10100。
然後，再用歸並排序的方法取得按name順序第10001~10100的name、id的值，然後拿著這100個id到數據庫中去查出所有記錄。
上面這些方法，需要你根據性能需求和開發的復雜度做出權衡。
17 | 如何正確地顯示隨機消息？