实践一次有趣的sql优化

超、凢脫俗 2021-12-16 16:27 285阅读 0赞

课程表

#课程表
    create table Course(
    c_id int PRIMARY KEY,
    name varchar(10)
    )

增加 100 条数据

#增加课程表100条数据
    DROP PROCEDURE IF EXISTS insert_Course;
    DELIMITER $
    CREATE PROCEDURE insert_Course()
    BEGIN
        DECLARE i INT DEFAULT 1;
            WHILE i<=100 DO
            INSERT INTO Course(`c_id`,`name`) VALUES(i, CONCAT('语文',i+''));
            SET i = i+1;
        END WHILE;
    END $
    CALL insert_Course();
    运行耗时

![1459880-20190326133321905-2081073221.png][]

课程数据

![1459880-20190326133417401-1516410151.png][]

学生表

#学生表
    create table Student(
    s_id int PRIMARY KEY,
    name varchar(10)
    )

增加 7W 条数据

#学生表增加70000条数据
    DROP PROCEDURE IF EXISTS insert_Student;
    DELIMITER $
    CREATE PROCEDURE insert_Student()
    BEGIN
        DECLARE i INT DEFAULT 1;
            WHILE i<=70000 DO
            INSERT INTO Student(`s_id`,`name`) VALUES(i, CONCAT('张三',i+''));
            SET i = i+1;
        END WHILE;
    END $
    CALL insert_Student();

#成绩表
    CREATE table Result(
    r_id int PRIMARY KEY,
    s_id int,
    c_id int,
    score int
    )

增加 70W 条数据

#成绩表增加70W条数据
    DROP PROCEDURE IF EXISTS insert_Result;
    DELIMITER $
    CREATE PROCEDURE insert_Result()
    BEGIN
        DECLARE i INT DEFAULT 1;
            DECLARE sNum INT DEFAULT 1;
            DECLARE cNum INT DEFAULT 1;
            WHILE i<=700000 DO
                    if (sNum%70000 = 0) THEN
                        set sNum = 1;
                    elseif (cNum%100 = 0) THEN 
                        set cNum = 1;
                    end if;
            INSERT INTO Result(`r_id`,`s_id`,`c_id`,`score`) VALUES(i,sNum ,cNum , (RAND()*99)+1);
            SET i = i+1;
                    SET sNum = sNum+1;
                    SET cNum = cNum+1;
        END WHILE;
    END $
    CALL insert_Result();

测试

业务需求

查找 语文1 成绩为 100 分的考生

查询语句

#查询语文1考100分的考生
    select s.* from Student s where s.s_id in 
    (select s_id from Result r where r.c_id = 1 and r.score = 100)

执行时间：0.937s

查询结果：32 位满足条件的学生

用了 0.9s ，来查看下查询计划：

EXPLAIN
    select s.* from Student s where s.s_id in 
    (select s_id from Result r where r.c_id = 1 and r.score = 100)

![169b7bca5c2b04e1_w_600_h_121_f_jpeg_s_10728][]

发现没有用到索引，type 全是 ALL ，那么首先想到的就是建立一个索引，建立索引的字段当然是在 where 条件的字段了。

查询结果中 type 列：all 是全表扫描，index 是通过索引扫描。

先给 Result 表的 c\_id 和 score 建立个索引

CREATE index result_c_id_index on Result(c_id);
    
    CREATE index result_score_index on Result(score);

再次执行上述查询语句，时间为：0.027s

快了 34.7 倍（四舍五入），大大缩短了查询的时间，看来索引能极大程度的提高查询效率，在合适的列上面建立索引很有必要，很多时候都忘记建立索引，数据量小的时候没什么感觉，这优化的感觉很 nice 。

相同的 SQL 语句多次执行，你会发现第一次是最久的，后面执行所需的时间会比第一次执行短些许，原因是，相同语句第二次查询会直接从缓存中读取。

0.027s 很短了，但是还能再进行优化吗，仔细看下执行计划：

![169b7bca5a12fa53_w_600_h_108_f_jpeg_s_10490][]

查看优化后的 SQL ：

SELECT
        `example`.`s`.`s_id` AS `s_id`,
        `example`.`s`.`name` AS `name` 
    FROM
        `example`.`Student` `s` semi
        JOIN ( `example`.`Result` `r` ) 
    WHERE
        (
        ( `example`.`s`.`s_id` = `<subquery2>`.`s_id` ) 
        AND ( `example`.`r`.`score` = 100 ) 
        AND ( `example`.`r`.`c_id` = 1 ) 
        )

怎么查看优化后的语句呢？

方法如下（在命令窗口执行）：

#先执行
    EXPLAIN
    select s.* from Student s where s.s_id in 
    (select s_id from Result r where r.c_id = 1 and r.score = 100);
    #在执行
    show warnings;

结果如下

![169b7bca53f00be4_w_600_h_278_f_jpeg_s_39877][]

有 type = all

按照之前的想法，该 SQL 执行的顺序是执行子查询

select s_id from Result r where r.c_id = 1 and r.score = 100

耗时：1.402s

得到如下结果（部分）

![169b7bca6f4dace4_w_238_h_302_f_jpeg_s_9733][]

然后在执行

select s.* from Student s where s.s_id in 
    (12871,40987,46729,61381,3955,10687,14047,26917,28897,31174,38896,56518,10774,25030,9778,12544,24721,27295,60361,
    38479,46990,66988,6790,35995,46192,47578,58171,63220,6685,67372,46279,64693)

耗时：0.222s

比一起执行快多了，查看优化后的 SQL 语句，发现MySQL 竟然不是先执行里层的查询，而是将 SQL 优化成了 exists 字句，执行计划中的 select\_type 为 MATERIALIZED（物化子查询）。MySQL 先执行外层查询，在执行里层的查询，这样就要循环学生数量\*满足条件的学生 ID 次，也就是 7W \* 32 次。

物化子查询： 优化器使用物化能够更有效的来处理子查询。物化通过将子查询结果作为一个临时表来加快查询执行速度，正常来说是在内存中的。mysql 第一次需要子查询结果是，它物化结果到一张临时表中。在之后的任何地方需要该结果集，mysql 会再次引用临时表。优化器也许会使用一个哈希索引来使得查询更快速代价更小。索引是唯一的，排除重复并使得表数据更少。

那么改用连接查询呢？

这里为了重新分析连接查询的情况，先暂时删除索引 result\_c\_id\_index ，result\_score\_index 。

DROP index result_c_id_index on Result;
    DROP index result_score_index on Result;

连接查询

select s.* from 
    Student s 
    INNER JOIN Result r 
    on r.s_id = s.s_id 
    where r.c_id = 1 and r.score = 100;

执行耗时：1.293s

查询结果

![169b7bca786dff48_w_361_h_362_f_jpeg_s_24173][]

用了 1.2s ，来看看执行计划（ EXPLAIN + 查询 SQL 即可查看该 SQL 的执行计划）：

![169b7bca832dc96a_w_600_h_102_f_jpeg_s_9026][]

这里有连表的情况出现，我猜想是不是要给 result 表的 s\_id 建立个索引

CREATE index result_s_id_index on Result(s_id);
    show index from Result;

![169b7bca862d57d5_w_420_h_220_f_png_s_15085][]

在执行连接查询

耗时：1.17s （有点奇怪，按照所看文章的时间应该会变长的）

看下执行计划：

![169b7bca8bab31ac_w_600_h_118_f_jpeg_s_9726][]

优化后的查询语句为：

SELECT
        `example`.`s`.`s_id` AS `s_id`,
        `example`.`s`.`name` AS `name` 
    FROM
        `example`.`Student` `s`
        JOIN `example`.`Result` `r` 
    WHERE
        (
        ( `example`.`s`.`s_id` = `example`.`r`.`s_id` ) 
        AND ( `example`.`r`.`score` = 100 ) 
        AND ( `example`.`r`.`c_id` = 1 ) 
        )

貌似是先做的连接查询，在进行的 where 条件过滤。

回到前面的执行计划：

![169b7bca832dc96a_w_600_h_102_f_jpeg_s_9026][]

这里是先做的 where 条件过滤，再做连表，执行计划还不是固定的，那么我们先看下标准的 sql 执行顺序：

![169b7bca8c9792fd_w_345_h_326_f_png_s_48573][]

正常情况下是先 join 再进行 where 过滤，但是我们这里的情况，如果先 join ，将会有 70W 条数据发送 join ，因此先执行 where 过滤式明智方案，现在为了排除 mysql 的查询优化，我自己写一条优化后的 sql 。

先删除索引

DROP index result_s_id_index on Result;

执行自己写的优化 sql

SELECT
        s.* 
    FROM
        (
            SELECT * FROM Result r WHERE r.c_id = 1 AND r.score = 100 
        ) t
    INNER JOIN Student s ON t.s_id = s.s_id

耗时为：0.413s

比之前 sql 的时间都要短。

查看执行计划

![169b7bca9d17ac0d_w_600_h_99_f_jpeg_s_9091][]

先提取 result 再连表，这样效率就高多了，现在的问题是提取 result 的时候出现了扫描表，那么现在可以明确需要建立相关索引。

CREATE index result_c_id_index on Result(c_id);
    CREATE index result_score_index on Result(score);

再次执行查询

SELECT
        s.* 
    FROM
        (
            SELECT * FROM Result r WHERE r.c_id = 1 AND r.score = 100 
        ) t
    INNER JOIN Student s ON t.s_id = s.s_id

耗时为：0.044s

这个时间相当靠谱，快了 10 倍。

执行计划：

![169b7bcaa1f5113f_w_600_h_107_f_jpeg_s_8677][]

我们会看到，先提取 result ，再连表，都用到了索引。

那么再来执行下 sql ：

EXPLAIN
    select s.* from 
    Student s 
    INNER JOIN Result r 
    on r.s_id = s.s_id 
    where r.c_id = 1 and r.score = 100;

执行耗时：0.050s

执行计划：

![169b7bcaac300c1c_w_600_h_89_f_jpeg_s_8756][]

这里是 mysql 进行了查询语句优化，先执行了 where 过滤，再执行连接操作，且都用到了索引。

扩大测试数据，调整内容为 result 表的数据增长到 300W ，学生数据更为分散。

DROP PROCEDURE IF EXISTS insert_Result_TO300W;
    DELIMITER $
    CREATE PROCEDURE insert_Result_TO300W()
    BEGIN
        DECLARE i INT DEFAULT 700001;
            DECLARE sNum INT DEFAULT 1;
            DECLARE cNum INT DEFAULT 1;
            WHILE i<=3000000 DO
            INSERT INTO Result(`r_id`,`s_id`,`c_id`,`score`) 
                    VALUES(i,(RAND()*69999)+1 ,(RAND()*99)+1 , (RAND()*99)+1);
            SET i = i+1;
        END WHILE;
    END $
    CALL insert_Result_TO300W();

更换了一下数据生成的方式，全部采用随机数格式。

先回顾下：

show index from Result;

![169b7bcab7e7a094_w_600_h_183_f_png_s_30013][]

执行 sql

select s.* from 
    Student s
    INNER JOIN Result r
    on r.s_id = s.s_id
    where r.c_id = 81 and r.score = 84;

执行耗时：1.278s

执行计划：

![169b7bcabbdf6f85_w_600_h_100_f_jpeg_s_9430][]

这里用到了 intersect 并集操作，即两个索引同时检索的结果再求并集，再看字段 score 和 c\_id 的区分度，但从一个字段看，区分度都不是很大，从 Result 表检索，c\_id = 81 检索的结果是 81 ，score = 84 的结果是 84 。

而 c\_id = 81 and score = 84 的结果是 19881，即这两个字段联合起来的区分度还是比较高的，因此建立联合索引查询效率将会更高，从另外一个角度看，该表的数据是 300W ，以后会更多，就索引存储而言，都是不小的数目，随着数据量的增加，索引就不能全部加载到内存，而是要从磁盘读取，这样索引的个数越多，读磁盘的开销就越大，因此根据具体业务情况建立多列的联合索引是必要的，我们来试试。

DROP index result_c_id_index on Result;
    DROP index result_score_index on Result;
    CREATE index result_c_id_score_index on Result(c_id,score);

指向上述查询语句

消耗时间：0.025s

这个速度就就很快了，可以接受。

![169b7bcac8d541a8_w_600_h_116_f_jpeg_s_9852][]

该语句的优化暂时告一段落。

总结

*  MySQL 嵌套子查询效率确实比较低
 *  可以将其优化成连接查询
 *  连接表时，可以先用 where 条件对表进行过滤，然后做表连接（虽然 MySQL 会对连表语句做优化）
 *  建立合适的索引，必要时建立多列联合索引
 *  学会分析 sql 执行计划，mysql 会对 sql 进行优化，所有分析计划很重要

知识扩展

### 索引优化 ###

上面讲到子查询的优化，以及如何建立索引，而且在多个字段索引时，分别对字段建立了单个索引。

后面发现其实建立联合索引效率会更高，尤其是在数据量较大，单个列区分度不高的情况下。

### 单列索引 ###

查询语句如下：

select * from user_test_copy where sex = 2 and type = 2 and age = 10

索引：

CREATE index user_test_index_sex on user_test_copy(sex);
    CREATE index user_test_index_type on user_test_copy(type);
    CREATE index user_test_index_age on user_test_copy(age);

分别对 sex ，type ，age 字段做了索引，数据量为300w

查询时间：0.415s

执行计划：

![169b7bcad20325bb_w_600_h_58_f_png_s_18752][]

发现 type = index\_merge

这是mysql对多个单列索引的优化，对结果集采用intersect并集操作

### 多列索引 ###

多列索引

我们可以在这3个列上建立多列索引，将表copy一份以便做测试。

create index user_test_index_sex_type_age on user_test(sex,type,age);

查询语句：

select * from user_test where sex = 2 and type = 2 and age = 10

执行时间：0.032s

快了10多倍，且多列索引的区分度越高，提高的速度也越多。

执行计划：

![169b7bcad69c366e_w_600_h_36_f_png_s_15979][]

### 最左前缀 ###

多列索引还有最左前缀的特性：

都会使用到索引，即索引的第一个字段sex要出现在where条件中。

执行一下语句：

select * from user_test where sex = 2
    select * from user_test where sex = 2 and type = 2
    select * from user_test where sex = 2 and age = 10

### 索引覆盖 ###

就是查询的列都建立了索引，这样在获取结果集的时候不用再去磁盘获取其它列的数据，直接返回索引数据即可

如：

select sex,type,age from user_test where sex = 2 and type = 2 and age = 10

执行时间：0.003s

要比取所有字段快的多

### 排序 ###

select * from user_test where sex = 2 and type = 2 ORDER BY user_name

时间：0.139s

在排序字段上建立索引会提高排序的效率

select * from user_test where sex = 2 and type = 2 ORDER BY user_name

最后附上一些sql调优的总结，以后有时间再深入研究

*  列类型尽量定义成数值类型，且长度尽可能短，如主键和外键，类型字段等等
 *  建立单列索引
 *  根据需要建立多列联合索引
 *  当单个列过滤之后还有很多数据，那么索引的效率将会比较低，即列的区分度较低，那么如果在多个列上建立索引，那么多个列的区分度就大多了，将会有显著的效率提高。
 *  根据业务场景建立覆盖索引
 *  只查询业务需要的字段，如果这些字段被索引覆盖，将极大的提高查询效率
 *  多表连接的字段上需要建立索引
 *  这样可以极大的提高表连接的效率
 *  where条件字段上需要建立索引
 *  排序字段上需要建立索引
 *  分组字段上需要建立索引
 *  Where条件上不要使用运算函数，以免索引失效

·END·

转载于:https://www.cnblogs.com/winddogg/p/10599618.html

[1459880-20190326133321905-2081073221.png]: /images/20211216/8cf6aa6600564c06b452bcf510e5a280.png
[1459880-20190326133417401-1516410151.png]: /images/20211216/d6f64119c1ed40e7bbdb2842bb82ddb3.png
[169b7bca5c2b04e1_w_600_h_121_f_jpeg_s_10728]: https://user-gold-cdn.xitu.io/2019/3/26/169b7bca5c2b04e1?w=600&h=121&f=jpeg&s=10728
[169b7bca5a12fa53_w_600_h_108_f_jpeg_s_10490]: https://user-gold-cdn.xitu.io/2019/3/26/169b7bca5a12fa53?w=600&h=108&f=jpeg&s=10490
[169b7bca53f00be4_w_600_h_278_f_jpeg_s_39877]: https://user-gold-cdn.xitu.io/2019/3/26/169b7bca53f00be4?w=600&h=278&f=jpeg&s=39877
[169b7bca6f4dace4_w_238_h_302_f_jpeg_s_9733]: https://user-gold-cdn.xitu.io/2019/3/26/169b7bca6f4dace4?w=238&h=302&f=jpeg&s=9733
[169b7bca786dff48_w_361_h_362_f_jpeg_s_24173]: https://user-gold-cdn.xitu.io/2019/3/26/169b7bca786dff48?w=361&h=362&f=jpeg&s=24173
[169b7bca832dc96a_w_600_h_102_f_jpeg_s_9026]: https://user-gold-cdn.xitu.io/2019/3/26/169b7bca832dc96a?w=600&h=102&f=jpeg&s=9026
[169b7bca862d57d5_w_420_h_220_f_png_s_15085]: https://user-gold-cdn.xitu.io/2019/3/26/169b7bca862d57d5?w=420&h=220&f=png&s=15085
[169b7bca8bab31ac_w_600_h_118_f_jpeg_s_9726]: https://user-gold-cdn.xitu.io/2019/3/26/169b7bca8bab31ac?w=600&h=118&f=jpeg&s=9726
[169b7bca8c9792fd_w_345_h_326_f_png_s_48573]: https://user-gold-cdn.xitu.io/2019/3/26/169b7bca8c9792fd?w=345&h=326&f=png&s=48573
[169b7bca9d17ac0d_w_600_h_99_f_jpeg_s_9091]: https://user-gold-cdn.xitu.io/2019/3/26/169b7bca9d17ac0d?w=600&h=99&f=jpeg&s=9091
[169b7bcaa1f5113f_w_600_h_107_f_jpeg_s_8677]: https://user-gold-cdn.xitu.io/2019/3/26/169b7bcaa1f5113f?w=600&h=107&f=jpeg&s=8677
[169b7bcaac300c1c_w_600_h_89_f_jpeg_s_8756]: https://user-gold-cdn.xitu.io/2019/3/26/169b7bcaac300c1c?w=600&h=89&f=jpeg&s=8756
[169b7bcab7e7a094_w_600_h_183_f_png_s_30013]: https://user-gold-cdn.xitu.io/2019/3/26/169b7bcab7e7a094?w=600&h=183&f=png&s=30013
[169b7bcabbdf6f85_w_600_h_100_f_jpeg_s_9430]: https://user-gold-cdn.xitu.io/2019/3/26/169b7bcabbdf6f85?w=600&h=100&f=jpeg&s=9430
[169b7bcac8d541a8_w_600_h_116_f_jpeg_s_9852]: https://user-gold-cdn.xitu.io/2019/3/26/169b7bcac8d541a8?w=600&h=116&f=jpeg&s=9852
[169b7bcad20325bb_w_600_h_58_f_png_s_18752]: https://user-gold-cdn.xitu.io/2019/3/26/169b7bcad20325bb?w=600&h=58&f=png&s=18752
[169b7bcad69c366e_w_600_h_36_f_png_s_15979]: https://user-gold-cdn.xitu.io/2019/3/26/169b7bcad69c366e?w=600&h=36&f=png&s=15979