MySQL：MySQL为什么有时候会选错索引

Myth丶恋晨 2022-08-28 01:58 243阅读 0赞

MySQL中，一张表可以建立多个索引，而SQL具体使用哪个索引是由MySQL来确定的。

但是，有时候，一条本来可以执行的很快的语句，却由于MySQL选错了索引，而导致执行速度变得很慢。

看个例子（这个例子对应的是我们平常不断地删除历史数据和新增数据的场景）：

*  建表，表中有a，b两个字段，并分别加上索引

CREATE TABLE `t` (
     `id` int(11) NOT NULL,
     `a` int(11) DEFAULT NULL,
     `b` int(11) DEFAULT NULL,
     PRIMARY KEY (`id`),
     KEY `a` (`a`),
     KEY `b` (`b`)
    ) ENGINE=InnoDB		;

*  然后，我们往表 t 中插入 10 万行记录，取值按整数递增，即：(1,1,1)，(2,2,2)，(3,3,3) 直到 (100000,100000,100000)。

delimiter ;;
    create procedure idata()
    begin
     declare i int;
     set i=1;
     while(i<=100000)do
     insert into t values(i, i, i);
     set i=i+1;
     end while;
    end;;
    delimiter ;
    call idata();

*  接下来，我们分析一条 SQL 语句：

mysql> select * from t where a between 10000 and 20000;

![在这里插入图片描述][a8df615e891a4a7b989e9a725354c10c.png]

*  从上面可以看出，key这个字段是’a’，表示优化器选择了索引a
 *  然后，我们再来做如下操作
    
     *  sessionA开启了一个事务
     *  随后，session B把数据都删除之后，调度存储过程idata，插入10万行数据
     *  这个时候，session B的查询语句`select * from t where a between 10000 and 20000`就不会选择索引a了。我们可以通过慢查询日志（slow log）来查看一下具体的执行情况。
     *  为了说明优化器选择的结果是否正确，增加了一个对照，即：使用 force index(a) 来让优化器强制使用索引 a

set long_query_time=0; //是将慢查询日志的阈值设置为 0，表示这个线程接下来的语句都会被记录入慢查询日志中；
    select * from t where a between 10000 and 20000; /*Q1*/
    select * from t force index(a) where a between 10000 and 20000;/*Q2*/

![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAT2NlYW4mJlN0YXI_size_20_color_FFFFFF_t_70_g_se_x_16]

*  如下图，是执行上面操作之后的慢查询日志。可以看出：
    
     *  Q1 扫描了 10 万行，显然是走了全表扫描，执行时间是 40 毫秒
     *  Q2 扫描了10001 行，执行了 21 毫秒
 *  也就是说，我们在没有使用 force index 的时候，MySQL 用错了索引，导致了更长的执行时间。

![在这里插入图片描述][f8040d93908448a78b99c47c57332938.png]  
为什么MySQL会选错索引呢？

# 优化器的逻辑 #

选择索引是优化器的工作。而优化器选择索引的目的，是找到一个最优的执行方案，并以最小的代价去执行语句。

*  在数据库里面，扫描行数是影响代价之一。扫描的行数越少，意味着访问磁盘数据的次数越少，消耗CPU的资源越少
 *  当然，扫描行数并不是唯一的判断标准，优化器还会结合是否使用临时表，是否排序等因素进行综合判断

我们这个简单的查询语句并没有涉及到临时表和排序，所以MySQL选错索引肯定是在判断扫描行数的时候出问题了。

> 所以，问题是：**扫描行数是怎么判断的？**

*  MySQL在真正执行语句之前，**并不能精确的知道满足这个条件的记录有多少条，而只能根据统计信息来估算记录值**
 *  **这个统计信息就是索引的“区分度”**。显然，一个索引上不同的值越多，这个索引的区分度就越好。而一个索引上不同的值的个数，我们称之为“基数”。也就是说，这个基数越大，索引的区分度越好

我们可以使用 show index 方法，看到一个索引的基数。如下图 所示，就是表 t 的 show index 的结果 。虽然这个表的每一行的三个字段值都是一样的，但是在统计信息中，这三个索引的基数值（cardinality）并不同，而且其实都不准确。

![在这里插入图片描述][12c20b481ddc4a1ba24728d68e06e868.png]

那么，**MySQL是怎样得到索引的基数的呢？**

是通过采样统计的方法。

*  为什么要采样统计呢？因为把整张表取出来一行行统计，虽然可以得到精确的结果，但是代价太高了，所以只能选择采样统计。
 *  采样统计的时候，InnoDB默认会选择N个数据页，统计这些页面上的不同值，得到一个平均值，然后乘以这个索引的页面树，就得到了这个索引的基数。
 *  而数据表是持续更新的，索引统计信息也不是固定不变的。所以，当变更的数据行数超过了1/M的时候，就会自动触发重新做一次索引统计。

在MySQL中，有两种存储索引统计的方法，可以通过设置参数 innodb\_stats\_persistent的值来选择：

*  设置为 on 的时候，表示统计信息会持久化存储。这时，默认的 N 是 20，M 是 10。
 *  设置为 off 的时候，表示统计信息只存储在内存中。这时，默认的 N 是 8，M 是 16。

由于是采样统计，所以不管N是20还是8，这个基数都是很容易不准的。

但，这还不会是全部。

从上图中可以看大，这次的索引统计值（cardinality）虽然不精确，但是大体上还是拆不多的，选错索引一定还有其他的原因。

其实索引统计只是一个输入，对于一个具体的语句来说，优化器还要判断，执行这个语句本身要扫描多少行。explain的rows这个字段表示的是索引扫描行数：

*  Q1 的结果还是符合预期的，rows 的值是 104620；
 *  但是 Q2 的 rows 值是37116，偏差就大了

![在这里插入图片描述][1be724b9573f42a48e48aef78194f727.png]

*  结合图1（也就是下图，为第一个场景中的实验数据）用 explain 命令看到的 rows 是只有 10001 行，是这个偏差误导了优化器的判断。

![在这里插入图片描述][672f4e53faaf46cfbbaf2faa19614e73.png]  
问题是：为什么优化器放着37116行的执行计划不用，却选择了扫描行数是104620的执行计划呢？

*  因为，如果使用索引a，每次从索引a上拿到一个值，都要回到主键索引上查出整行数据，这个代价优化器也要算进去的（**使用普通索引需要把回表的代价算进去**）
 *  而如果选择了扫描10万行，是直接在主键索引上扫描的，没有额外的代价。

优化器会估算这两个选择的代价，从结果来看，优化器认为直接扫描主键索引更快。

所以冤有头债有主，MySQL 选错索引，这件事儿还得归咎到没能准确地判断出扫描行数。

既然是统计信息不对，那就修正。analyze table t 命令，可以用来重新统计索引信息。我们来看一下执行效果。  
![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAT2NlYW4mJlN0YXI_size_20_color_FFFFFF_t_70_g_se_x_16 1]  
这回对了。

所以在实践中，如果你**发现explain的结果预估的rows值跟实际情况差距比较大，可以采用analyze命令来修正**。

> 优化器不止看扫描行数

例子：

mysql> select * from t where (a between 1 and 1000)  and (b between 50000 and 100000) order by b limit 1;

从条件上看，这个查询没有符合条件的记录，因此会返回空集合。

问题是：优化器会选择哪个索引呢？

分析：

*  如果使用索引a来查询，那么就是扫描索引a的前1000个值，然后取到对应id，再到主键索引上查出每一行，然后根据字段b来过滤。显然，这要扫描1000行
 *  如果使用索引b来查询，那么就是扫描索引b的最后50001个值，然后取到对应id，再到主键索引上查出每一行，然后根据字段b来过滤。显然，这要扫描50001行  
    ![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAT2NlYW4mJlN0YXI_size_18_color_FFFFFF_t_70_g_se_x_16]  
    那，是不是就应该选择索引a呢？

我们来看下explain，可以看到：

*  返回结果的key表示这次优化器选择了索引b，
 *  而 rows 字段显示需要扫描的行数是 50198。  
    ![在这里插入图片描述][f3406e981121430c82fb5ad0e8dee104.png]  
    从上面可以推出：
 *  扫描行数的估计值依然不正确
 *  这个例子中MySQL又选错了索引

纠正：force index(a)  
![在这里插入图片描述][4e1b90a8ada64efa90d43e440d9b048d.png]  
可以看到，原本语句需要执行 2.23 秒，而使用 force index(a) 的时候，只用了 0.05秒，比优化器的选择快了 40 多倍。

# 索引选择异常和处理 #

如果索引选错了怎么办？

*  方法一： **采用force index 强行选择一个索引**
    
     *  MySQL会根据词法解析的结果分析出可能可以使用的索引作为候选项，然后再候选列表中依次判断每个索引需要扫描多少行
     *  如果force index指定的索引在候选索引列表中，就直接选择这个索引，不再评估其他索引的执行代价
     *  问题是：一般来说，选错索引的情况还是比较少的，所以开发的时候一般不会先写上 force index。而是等到线上出现问题的时候，你才会再去修改 SQL 语句、加上 force index。但是修改之后还要测试和发布，对于生产系统来说，这个过程不够敏捷。
 *  方法二：**考虑修改语句，，引导 MySQL 使用我们期望的索引**
    
     *  比如，把“order by b limit 1” 改成 “order by b,a limit 1”
     *  之前优化器选择使用索引 b，是因为它认为使用索引 b 可以避免排序（b 本身是索引，已经是有序的了，如果选择索引 b 的话，不需要再做排序，只需要遍历），所以即使扫描行数多，也判定为代价更小。
     *  现在 order by b,a 这种写法，要求按照 b,a 排序，就意味着使用这两个索引都需要排序。因此，扫描行数成了影响决策的主要条件，于是此时优化器选了只需要扫描 1000 行的索引a。
     *  当然，这种修改并不是通用的优化手段，只是刚好在这个语句里面有 limit 1，因此如果有满足条件的记录， order by b limit 1 和 order by b,a limit 1 都会返回 b 是最小的那一行，逻辑上一致，才可以这么做。  
        ![在这里插入图片描述][80d9e18813264e5f864889588073afe1.png]
 *  方法三：在有些场景下，我们可以新建一个更合适的索引，来提供给优化器做选择，或删掉误用的索引

# 总结 #

优化器存在选错索引的可能， 怎么解决呢：

*  对于由于索引统计信息不准确导致的问题，你可以用 analyze table 来解决。
 *  而对于其他优化器误判的情况，你可以在应用端用 force index 来强行指定索引，也可以通过修改语句来引导优化器，还可以通过增加或者删除索引来绕过这个问题。

[a8df615e891a4a7b989e9a725354c10c.png]: /images/20220828/50935ef8219b48adb8e0e43a38b30242.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAT2NlYW4mJlN0YXI_size_20_color_FFFFFF_t_70_g_se_x_16]: /images/20220828/acbfb5327ece466dbeef694a0df46813.png
[f8040d93908448a78b99c47c57332938.png]: /images/20220828/935c313e41c5406294ee5da276f27920.png
[12c20b481ddc4a1ba24728d68e06e868.png]: /images/20220828/79399c793dc04c189f021f3cb7b3491b.png
[1be724b9573f42a48e48aef78194f727.png]: /images/20220828/9c45db873fa241e1bf8dc2f6ef0a8cbf.png
[672f4e53faaf46cfbbaf2faa19614e73.png]: /images/20220828/622c616935a9439e879d775e26ab902a.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAT2NlYW4mJlN0YXI_size_20_color_FFFFFF_t_70_g_se_x_16 1]: /images/20220828/a9e6e011c0824d9f937588489c119f20.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAT2NlYW4mJlN0YXI_size_18_color_FFFFFF_t_70_g_se_x_16]: /images/20220828/430a8587ca2d4c18833c88b21b302f81.png
[f3406e981121430c82fb5ad0e8dee104.png]: /images/20220828/4677620f182448b4afccf4de6777dbf8.png
[4e1b90a8ada64efa90d43e440d9b048d.png]: /images/20220828/b2f7f5f9e6324528a6ad0351c64f1c5a.png
[80d9e18813264e5f864889588073afe1.png]: /images/20220828/8ac3b755a4554e33ba7e2cbd2da42387.png