为了减少延迟和卡顿，我对 MySQL 查询做了这些优化处理....

蔚落 2023-09-25 23:17 2阅读 0赞

## 前言 ##

在程序上线运行一段时间后，一旦数据量上去了，或多或少会感觉到系统出现延迟、卡顿等现象，出现这种问题，就需要程序员或架构师进行系统调优工作了。

其中，大量的实践经验表明，调优的手段尽管有很多，但涉及到SQL调优的内容仍然是非常重要的一环，本文将结合实例，总结一些工作中可能涉及到的SQL优化策略；

## 查询优化 ##

可以说，对于大多数系统来说，读多写少一定是常态，这就表示涉及到查询的SQL是非常高频的操作；

> 前置准备，给一张测试表添加10万条数据

使用下面的存储过程给单表造一批数据，将表换成自己的就好了

create procedure addMyData()
     
     begin
     
      declare num int;
      set num =1;
      
      while num <= 100000 do
      
       insert into XXX_table values(
        replace(uuid(),'-',''),concat('测试',num),concat('cs',num),'123456'
       );
     
       set num =num +1;
      end while;
     
     end ;

然后调用该存储过程

call addMyData();

本篇准备了3张表，分别为学生（student）表，班级（class）表，账户(account)表，各自有50万，1万和10万条数据用于测试；

![def1fc1efea872b9ae7bbadb2b22d516.png][]

![aac9a0dd06b4083182e4f71b4c0f6d78.png][]

### 1、分页查询优化 ###

分页查询是开发中经常会遇到的，有一种情况是，当分页的数量非常大的时候，查询的时候往往非常耗时，比如查询student表，使用下面的sql查询，耗时达到0.2秒；

![3007132570ba87e5f539ede9327d30da.png][]

实践经验告诉我们，越往后，分页查询效率越低，这就是分页查询的问题所在， 因为，当在进行分页查询时，如果执行 `limit 400000,10` ，此时需要 MySQL 排序前4000 10 记 录，仅仅返回`400000 - 4 00010` 的记录，其他记录丢弃，查询排序的代价非常大。

优化思路：

一般分页查询时，通过创建 覆盖索引 能够比较好地提高性能，可以通过覆盖索引加子查询形式进行优化；

**1） 在索引上完成排序分页操作，最后根据主键关联回原表查询所需要的其他列内容**

SELECT * FROM student t1,(SELECT id FROM student ORDER BY id LIMIT 400000,10) t2 WHERE t1.id =t2.id;

执行上面的sql，可以看到响应时间有一定的提升；

![d05973da72521bad12ec97f1f1ed6f2c.png][]

**2）对于主键自增的表，可以把Limit 查询转换成某个位置的查询**

select * from student where id > 400000 limit 10;

执行上面的sql，可以看到响应时间有一定的提升；

![72e348053810f11f4ecd1c9ca9d9ef0f.png][]

### 2、关联查询优化 ###

在实际的业务开发过程中，关联查询可以说随处可见，关联查询的优化核心思路是，最好为关联查询的字段添加索引，这是关键，具体到不同的场景，还需要具体分析，这个跟mysql的引擎在执行优化策略的方案选择时有一定关系；

2.1 左连接或右连接

下面是一个使用left join 的查询，可以预想到这条sql查询的结果集非常大

select t.* from student t left join class cs on t.classId = cs.id;

为了检查下sql的执行效率，使用explain做一下分析，可以看到，第一张表即left join左边的表student走了全表扫描，而class表走了主键索引，尽管结果集较大，还是走了索引；

![88982b743eaf0f9776e5512bf120c497.png][]

**针对这种场景的查询，思路如下：**

*  让查询的字段尽量包含在主键索引或者覆盖索引中；
 *  查询的时候尽量使用分页查询；

![047ebd2bdd9aca93bc88a11698945c73.png][]

**关于左连接（右连接）的explain结果补充说明**

*  左连接左边的表一般为驱动表，右边的表为被驱动表；
 *  尽可能让数据集小的表作为驱动表，减少mysql内部循环的次数；
 *  两表关联时，explain结果展示中，第一栏一般为驱动表；

2.2 关联查询关联的字段建立索引

看下面的这条sql，其关联字段非表的主键，而是普通的字段；

explain select u.* from tenant t left join `user` u on u.account = t.tenant_name where t.removed is null and u.removed is null;

![c91688f27c158821887a536d67e79473.png][]

通过explain分析可以发现，左边的表走了全表扫描，可以考虑给左边的表的`tenant_name`和`user`表的\`\` 各自创建索引；

create index idx_name on tenant(tenant_name);
    
    create index idx_account on `user`(account);

再次使用explain分析结果如下

![9b6c5239e3126a79da978637bc1f19db.png][]

可以看到第二行type变为ref，rows的数量优化比较明显。这是由左连接特性决定的，`LEFT JOIN`条件用于确定如何从右表搜索行，左边一定都有，所以右边是我们的关键点,一定需要建立索引 。

2.3 内连接关联的字段建立索引

我们知道，左连接和右连接查询的数据分别是完全包含左表数据，完全包含右表数据，而内连接（`inner join` 或join） 则是取交集（共有的部分），在这种情况下，驱动表的选择是由mysql优化器自动选择的；

在上面的基础上，首先移除两张表的索引

ALTER TABLE `user` DROP INDEX idx_account;
    ALTER TABLE `tenant` DROP INDEX idx_name

使用explain语句进行分析

![de08fab35ebc6e4fb91fd10f43b894d5.png][]

然后给user表的account字段添加索引，再次执行explain我们发现，user表竟然被当作是被驱动表了；

![fa51ed271e1222c381408cdea2b48645.png][]

此时，如果我们给tenant表的`tenant_name`加索引，并移除user表的account索引，得出的结果竟然都没有走索引，再次说明，使用内连接的情况下，查询优化器将会根据自己的判断进行选择；

![0d3b4e94a1c43e054bf3965e858be963.png][]

### 3、子查询优化 ###

子查询在日常编写业务的SQL时也是使用非常频繁的做法，不是说子查询不能用，而是当数据量超出一定的范围之后，子查询的性能下降是很明显的，关于这一点，本人在日常工作中深有体会；

比如下面这条sql，由于student表数据量较大，执行起来耗时非常长，可以看到耗费了将近3秒；

select st.* from student st where st.classId in (
     
     select id from class where id > 100
     
    );

![8ea22f4fda9b3742bb536364f06c30c3.png][]

通过执行explain进行分析得知，内层查询 id > 100的子查询尽管用上了主键索引，但是由于结果集太大，带入到外层查询，即作为in的条件时，查询优化器还是走了全表扫描；

![39fa3492cd6ab78129e62bc7698c3955.png][]

针对上面的情况，可以考虑下面的优化方式

select st.id from student st join class cl on st.classId = cl.id where cl.id > 100;

**子查询性能低效的原因**

*  子查询时，MySQL需要为内层查询语句的查询结果建立一个临时表 ，然后外层查询语句从临时表中查询记录，查询完毕后，再撤销这些临时表 。这样会消耗过多的CPU和IO资源，产生大量的慢查询；
 *  子查询结果集存储的临时表，不论是内存临时表还是磁盘临时表都不能走索引 ，所以查询性能会受到一定的影响；
 *  对于返回结果集比较大的子查询，其对查询性能的影响也就越大；

> 使用mysql查询时，可以使用连接（JOIN）查询来替代子查询。连接查询不需要建立临时表 ，其速度比子查询要快 ，如果查询中使用索引的话，性能就会更好，尽量不要使用`NOT IN` 或者 `NOT EXISTS`，用`LEFT JOIN xxx ON xx WHERE xx IS NULL`替代；

一个真实的案例

在下面的这段sql中，优化前使用的是子查询，在一次生产问题的性能分析中，发现某个`tenant_id`下的数据达到了35万多，这样直接导致某个列表页面的接口查询耗时达到了5秒左右；

![4e83320607b814d24c5b63788f60b2bf.png][]

找到了问题的根源后，尝试使用上面的优化思路进行解决即可，优化后的sql大概如下，

![9b7e42cc00d4691494ef3043ea6dabf8.png][]

### 4、排序（order by）优化 ###

在mysql，排序主要有两种方式

*  `Using filesort` : 通过表索引或全表扫描，读取满足条件的数据行，然后在排序缓冲区sort。buffer中完成排序操作，所有不是通过索引直接返回排序结果的排序都叫 FileSort 排序；
 *  `Using index`: 通过有序的索引顺序扫描直接返回有序数据，这种情况即为 using index，不需要额外排序，操作效率高；

对于以上两种排序方式，`Using index`的性能高，而`Using filesort`的性能低，我们在优化排序操作时，尽量要优化为 `Using index`

4.1 使用age字段进行排序

由于age字段未加索引，查询结果按照age排序的时候发现使用了filesort，排序性能较低；

![a675c5d3606dcfe704d35a364b157aeb.png][]

给age字段添加索引，再次使用order by时就走了索引；

![3c5a72d384b208cf7a5197c45f64b75a.png][]

4.2 使用多字段进行排序

通常在实际业务中，参与排序的字段往往不只一个，这时候，就可以对参与排序的多个字段创建联合索引；

如下根据stuno和age排序

![deca9ffc3d9a146a95e8ff70abfad84c.png][]

给stuno和age添加联合索引

create index idx_stuno_age on `student`(stuno,age);

再次分析时结果如下，此时排序走了索引

![0ec7a87b977573b389e57e6ac492baed.png][]

关于多字段排序时的注意事项

**1）排序时，需要满足最左前缀法则,否则也会出现 filesort；**

在上面我们创建的联合索引顺序是stuno和age，即stuno在前面，而age在后，如果查询的时候调换排序顺序会怎样呢？通过分析结果发现，走了filesort；

![f8ea42bcb61ef18e8de516ad158996ac.png][]

**2）排序时，排序的类型保持一致**

在保持字段排序顺序不变时，默认情况下，如果都按照升序或者降序时，`order by可`以使用index，如果一个是升序，另一个是降序会如何呢？分析发现，这种情况下也会走filesort；

![a30715708701d2d227b589c70f6abb8e.png][]

### 5、分组（group by）优化 ###

`group by` 的优化策略和`order by` 的优化策略非常像，主要列举如下几个要点：

*  `group by` 即使没有过滤条件用到索引，也可以直接使用索引；
 *  `group by` 先排序再分组，遵照索引建的最佳左前缀法则；
 *  当无法使用索引列时，增大 `max_length_for_sort_data` 和 `sort_buffer_size` 参数的设置；
 *  where效率高于having，能写在where限定的条件就不要写在having中了；
 *  减少使用order by，能不排序就不排序，或将排序放到程序去做。`Order by`、`groupby`、`distinct`这些语句较为耗费CPU，数据库的CPU资源是极其宝贵的；
 *  如果sql包含了`order by`、`group by`、`distinct`这些查询的语句，where条件过滤出来的结果集请保持在1000行以内，否则SQL会很慢；

5.1 给group by的字段添加索引

如果字段未加索引，分析结果如下，这种结果性能显然很低效

![532ed14df81d59747593242c4b64fed6.png][]

给stuno添加索引之后

![2419bd140c3bc936ad775ab9ff93f52a.png][]

给stuno和age添加联合索引

![a74e025a17b9f7e4dcb6c2dc4f0bb6de.png][]

如果不遵循最佳左前缀，group by 性能将会比较低效

![a04ae659324be37cb7da89fd238557f0.png][]

遵循最佳左前缀的情况如下

![66aec06cfea38351e2e5124a6bbf4966.png][]

### 6、count 优化 ###

`count()` 是一个聚合函数，对于返回的结果集，一行行判断，如果 count 函数的参数不是NULL，累计值就加 1，否则不加，最后返回累计值；

> 用法：`count（*）`、`count（主键）`、`count（字段）`、`count（数字）`

如下列举了count的几种写法的详细说明

![d2c6bc9f713d72e73b7dd0355f094457.png][]

**经验值总结**

按照效率排序来看，`count(字段) < count(主键 id) < count(1) ≈ count(*)`，所以尽量使用 `count(*)`

[def1fc1efea872b9ae7bbadb2b22d516.png]: https://img-blog.csdnimg.cn/img_convert/def1fc1efea872b9ae7bbadb2b22d516.png
[aac9a0dd06b4083182e4f71b4c0f6d78.png]: https://img-blog.csdnimg.cn/img_convert/aac9a0dd06b4083182e4f71b4c0f6d78.png
[3007132570ba87e5f539ede9327d30da.png]: https://img-blog.csdnimg.cn/img_convert/3007132570ba87e5f539ede9327d30da.png
[d05973da72521bad12ec97f1f1ed6f2c.png]: https://img-blog.csdnimg.cn/img_convert/d05973da72521bad12ec97f1f1ed6f2c.png
[72e348053810f11f4ecd1c9ca9d9ef0f.png]: https://img-blog.csdnimg.cn/img_convert/72e348053810f11f4ecd1c9ca9d9ef0f.png
[88982b743eaf0f9776e5512bf120c497.png]: https://img-blog.csdnimg.cn/img_convert/88982b743eaf0f9776e5512bf120c497.png
[047ebd2bdd9aca93bc88a11698945c73.png]: https://img-blog.csdnimg.cn/img_convert/047ebd2bdd9aca93bc88a11698945c73.png
[c91688f27c158821887a536d67e79473.png]: https://img-blog.csdnimg.cn/img_convert/c91688f27c158821887a536d67e79473.png
[9b6c5239e3126a79da978637bc1f19db.png]: https://img-blog.csdnimg.cn/img_convert/9b6c5239e3126a79da978637bc1f19db.png
[de08fab35ebc6e4fb91fd10f43b894d5.png]: https://img-blog.csdnimg.cn/img_convert/de08fab35ebc6e4fb91fd10f43b894d5.png
[fa51ed271e1222c381408cdea2b48645.png]: https://img-blog.csdnimg.cn/img_convert/fa51ed271e1222c381408cdea2b48645.png
[0d3b4e94a1c43e054bf3965e858be963.png]: https://img-blog.csdnimg.cn/img_convert/0d3b4e94a1c43e054bf3965e858be963.png
[8ea22f4fda9b3742bb536364f06c30c3.png]: https://img-blog.csdnimg.cn/img_convert/8ea22f4fda9b3742bb536364f06c30c3.png
[39fa3492cd6ab78129e62bc7698c3955.png]: https://img-blog.csdnimg.cn/img_convert/39fa3492cd6ab78129e62bc7698c3955.png
[4e83320607b814d24c5b63788f60b2bf.png]: https://img-blog.csdnimg.cn/img_convert/4e83320607b814d24c5b63788f60b2bf.png
[9b7e42cc00d4691494ef3043ea6dabf8.png]: https://img-blog.csdnimg.cn/img_convert/9b7e42cc00d4691494ef3043ea6dabf8.png
[a675c5d3606dcfe704d35a364b157aeb.png]: https://img-blog.csdnimg.cn/img_convert/a675c5d3606dcfe704d35a364b157aeb.png
[3c5a72d384b208cf7a5197c45f64b75a.png]: https://img-blog.csdnimg.cn/img_convert/3c5a72d384b208cf7a5197c45f64b75a.png
[deca9ffc3d9a146a95e8ff70abfad84c.png]: https://img-blog.csdnimg.cn/img_convert/deca9ffc3d9a146a95e8ff70abfad84c.png
[0ec7a87b977573b389e57e6ac492baed.png]: https://img-blog.csdnimg.cn/img_convert/0ec7a87b977573b389e57e6ac492baed.png
[f8ea42bcb61ef18e8de516ad158996ac.png]: https://img-blog.csdnimg.cn/img_convert/f8ea42bcb61ef18e8de516ad158996ac.png
[a30715708701d2d227b589c70f6abb8e.png]: https://img-blog.csdnimg.cn/img_convert/a30715708701d2d227b589c70f6abb8e.png
[532ed14df81d59747593242c4b64fed6.png]: https://img-blog.csdnimg.cn/img_convert/532ed14df81d59747593242c4b64fed6.png
[2419bd140c3bc936ad775ab9ff93f52a.png]: https://img-blog.csdnimg.cn/img_convert/2419bd140c3bc936ad775ab9ff93f52a.png
[a74e025a17b9f7e4dcb6c2dc4f0bb6de.png]: https://img-blog.csdnimg.cn/img_convert/a74e025a17b9f7e4dcb6c2dc4f0bb6de.png
[a04ae659324be37cb7da89fd238557f0.png]: https://img-blog.csdnimg.cn/img_convert/a04ae659324be37cb7da89fd238557f0.png
[66aec06cfea38351e2e5124a6bbf4966.png]: https://img-blog.csdnimg.cn/img_convert/66aec06cfea38351e2e5124a6bbf4966.png
[d2c6bc9f713d72e73b7dd0355f094457.png]: https://img-blog.csdnimg.cn/img_convert/d2c6bc9f713d72e73b7dd0355f094457.png