Mysql从索引原理对SQL分析优化实战

àì夳堔傛蜴生んèń 2022-12-19 11:58 56阅读 0赞

# Mysql从索引原理对SQL分析优化实战  #

> 无论是在大型项目，还是小型项目中，随着业务的迭代，用户的增长，数据库数据往往都是成百万级别的，这时候普通的sql语句执行起来是\*\***非常慢**\*\*的，这时候就需要对sql进行优化啦，接下来将手把手从索引原理带你学会如何分析优化，写出一手逼格的sql

## Mysql的索引存储原理：  ##

> mysql有两种索引：\*\***hash**\*\*和\*\***b+tree**\*\*

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjUzMzg1Ng_size_16_color_FFFFFF_t_70][]

> **`select * from user where age = 10`** (**生效**)  
> **`select * from user where age > 10`** （**不生效**） 
> 
> （如上图）hash索引：Hash 进行检索效率非常高，通过对key进行hash并可以找到对应的数据，但是它是\*\***不支持范围查询**\*\*的，如上面的sql

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjUzMzg1Ng_size_16_color_FFFFFF_t_70 1][]

> （如上图）b+tree索引：它是由一个个磁盘块组成的。形成一颗树，特性如下
> 
> 1, 非叶子节点只存储主键
> 
> 2, 叶子节点存储数据，并且数据与数据之间有指针关联，这就是为什么范围查询b+tree起到作用了。
> 
> 3,需要注意的是，b+tree形成的时候就已经按照索引的顺序排列了。
> 
> \*\*疑问\*\*：
> 
> 1，为什么b+tree要把data数据存放在叶子节点呢？
> 
> 2，为什么非叶子节点只存放主键呢？
> 
> 解答：
> 
> 1, mysql默认每一节点层是存储16k的数据，目的是为了使非叶子节点存储更多的索引key值，控制树的高度。  
> 2, 假设：存储的主键索引是bigint类型，默认是8b大小，而存储子节点的地址是6b，总共14b。16kb/14b=1170，所以根节点可以存储1170个key，假设有三层的话，默认存储的数据1k的话，那么叶节点可以存储16个数据，1170\*1170\*16=两千一百多万，两千多万的数据只需要三次I/O就可以找到数据。
> 
> 总结：  
> \*\*hash\*\*不支持范围查询，时间复杂度：O(1)  
> \*\*B+tree\*\*支持范围查询，时间复杂度：O(log n)
> 
> 一般项目中我们常用的都是B—tree的索引，因为需要范围查询，这个根据实际情况建立索引。

##  定位sql+分析sql ##

### 优化哪些sql： ###

> 首先，我们要对sql进行优化，那必须要找到执行慢的sql,可以通过下面的步骤设置对sql的监控

### 开启慢查询日志： ###

> Linux系统下是编辑/etc/my.conf
> 
> 开启慢查询日志：slow\_query\_log=ON      
> 慢查询日志记录到的文件路径：slow\_query\_log\_file=/var/lib/mysql/slow-mysql.log  
> 执行超过多少秒为慢查询：long\_query\_time=1   （超过1秒钟视为慢查询）
> 
> 在命令窗口通过命令导出慢sql  
> mysqldumpslow slow-mysql.log

### 通过explain关键字查看该sql执行计划： ###

> 写法：explain + （需要分析的sql）

![20201107160426403.png][]

### type: ###

> system    ：const的特例，仅返回一条数据的时候。  
> const  :  查找主键索引，返回的数据至多一条（0或者1条）。 属于精确查找  
> eq\_ref  :  查找唯一性索引，返回的数据至多一条。属于精确查找  
> ref   :  查找非唯一性索引，返回匹配某一条件的多条数据。属于精确查找、数据返回可能是多条  
> range   :  查找某个索引的部分索引，一般在where子句中使用 < 、>、in、between等关键词。只检索给定范围的行，属于范围查找  
> index   :  查找所有的索引树，比ALL要快的多，因为索引文件要比数据文件小的多  
> ALL     :  不使用任何索引，进行全表扫描，性能最差。

### key:  ###

> 表示实际使用的索引

### rows:  ###

> 扫描出的行数(估算的行数)

###    filtered: ###

> 按表条件过滤的行百分比

###    Extra: ###

> 执行情况的描述和说明

## 实战： ##

**假如一张表有三百多万条数据，需要分页查询出billType 为’abc’ 和 status为1的第2000000后10 条记录？**

> 优化前的sql : **select \* from Bill\_online where billType = 'abc' and status=1 limit 2000000,10**

**我们来分析一下。在没有索引条件下分页搜索的原理：**

> mysql从 0 到 2000000 所有数据全部扫描一次，然后再取出10条数据，最后丢弃前面的数据，这样大量浪费了时间。经过测试\*\*全表扫描\*\*用时：\*\* **2.7**\*\*s，那我们上面讲到，mysql的索引既然那么快，我们不妨加个索引看看，加索引也是有规则的，如何加才能让索引起到作用，这里条件是billType和status，我们给他加个联合索引（b-tree类型的，因为我们是范围查询）。

> 创建语句：**ALTER TABLEBillADD INDEXbillType\_status\_index(billType,status) USING BTREE ;**

### 索引已经建立完毕，接着跑了一下sql。如下图，9s多，天啊， ###

![20201107161034445.png][]

## 不急不急，我们照常分析一下。  ##

![20201107161237904.png][]

###  如上图：该sql执行计划用到索引，为什么会如此慢呢，比全表扫描还要慢上6秒，那我们来看一下用到索引的执行原理和过程，才能判断他为什么那么慢。 ###

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjUzMzg1Ng_size_16_color_FFFFFF_t_70 2][]

### 以下为重点，需要耐心耐心耐心的细看哦： ###

> 如上图，右边为普通索引，左边为聚集索引，聚集索引就是以主键作为索引，这个是默认的，并且叶子节点是存有索引对应的行数据的，称为聚集索引，而普通索引呢，叶子节点存放的是主键索引的指针，而上面建立的联合索引就是一个普通索引，这一点大家需要清楚。

> 那我们分析下加了索引的sql，该sql是利用我们创建的联合索引（普通索引）去查询数据，从1开始查，先是在右边索引树找到对应的主键id，在通过id去找对应的行数据，这里因为返回的列是 “\*” ,这些数据只有主键索引的树才有，所有每次查都会从右边开始，一直找左边的树，最后找到数据再返回。一直到2000000行，这里利用所有慢的理由就是每次都要遍历两棵索引树，大大浪费了IO。

> 那我们能不能只扫描右边的树呢，这样不就可以减少IO时间了吗。那我们看看右边的树有什么数据，联合索引的值：billType,status，id, 这三种类型数据，那我们可以先取出需要的id，再去右边的表扫描取出需要的数据，那这样是不是更快呢，这里就是用到了覆盖索引，**覆盖索引**就是说当前用到的索引在该索引树可以直接取到数据，不需要回表查询。

**优化后：** **select \* from Bill\_online b inner join (select id from Bill\_online where billType = 'consume' and status=1 limit 2000000,10) a on a.id = b.id**

> 我们看一下上面的sql，通过子查询把需要的id查询出来（用到覆盖索引），然后在拿着id去inner join需要的数据。这样就大大减少了不必要的IO了。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjUzMzg1Ng_size_16_color_FFFFFF_t_70 3][]

### 如上图，优化后直接是进入1秒，这差距是不是有点大，我们再来通过explain看看执行计划。如下图：  ###

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjUzMzg1Ng_size_16_color_FFFFFF_t_70 4][]

### 这里其实还可以再优化下：  ###

**select \* from Bill\_online where id >=( select id from Bill\_online where billType = 'consume' and status=1 limit 2000000,1) limit 10**

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjUzMzg1Ng_size_16_color_FFFFFF_t_70 5][]

### 其实原理都是一样的，我们需要掌握索引存储和执行原理，以及通过explain分析，索引创建的规则等等。。。 ###

# 下章为大家讲解：如何正确建立索引，最左匹配法，建立索引需要注意什么，如何避免索引失效，等等…… #

本文有引用其他文章的图片，如侵犯了其权益，可联系本人删除，谢谢

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjUzMzg1Ng_size_16_color_FFFFFF_t_70]: /images/20221120/92b6ee5f3f16413fbd641f9730bdac77.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjUzMzg1Ng_size_16_color_FFFFFF_t_70 1]: /images/20221120/d8f38678c6514ddf9ba7e246a298cc3c.png
[20201107160426403.png]: https://img-blog.csdnimg.cn/20201107160426403.png
[20201107161034445.png]: https://img-blog.csdnimg.cn/20201107161034445.png
[20201107161237904.png]: https://img-blog.csdnimg.cn/20201107161237904.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjUzMzg1Ng_size_16_color_FFFFFF_t_70 2]: https://img-blog.csdnimg.cn/20201107161757828.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjUzMzg1Ng==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjUzMzg1Ng_size_16_color_FFFFFF_t_70 3]: https://img-blog.csdnimg.cn/20201107162041412.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjUzMzg1Ng==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjUzMzg1Ng_size_16_color_FFFFFF_t_70 4]: https://img-blog.csdnimg.cn/20201107162140501.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjUzMzg1Ng==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjUzMzg1Ng_size_16_color_FFFFFF_t_70 5]: https://img-blog.csdnimg.cn/20201107162309751.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjUzMzg1Ng==,size_16,color_FFFFFF,t_70