MySQL 之 SQL优化

野性酷女 2024-03-26 22:15 32阅读 0赞

没时间的可以直接跳到最后的总结

#### 文章目录 ####

*   *  1 插入数据
     *   *  1.1 insert
         *  1.2 大批量插入数据
     *  2 主键优化
     *  3 order by优化
     *  4 group by优化
     *  5 limit优化
     *  6 count优化
     *   *  6.1 概述
         *  6.2 count用法
     *  7 update优化
     *  总结

### 1 插入数据 ###

#### 1.1 insert ####

如果我们需要一次性往数据库表中插入多条记录，可以从以下三个方面进行优化。

insert into tb_test values(1,'tom');
    insert into tb_test values(2,'cat');
    insert into tb_test values(3,'jerry');
    .....

1). 优化方案一  
批量插入数据

insert into tb_test values(1,'Tom'),(2,'Cat'),(3,'Jerry');

2). 优化方案二  
手动控制事务

start transaction;
    insert into tb_test values(1,'Tom'),(2,'Cat'),(3,'Jerry');
    insert into tb_test values(4,'Tom'),(5,'Cat'),(6,'Jerry');
    insert into tb_test values(7,'Tom'),(8,'Cat'),(9,'Jerry');
    commit;

3). 优化方案三  
主键顺序插入，性能要高于乱序插入。

主键乱序插入 : 8 1 9 21 88 2 4 15 89 5 7 3
    主键顺序插入 : 1 2 3 4 5 7 8 9 15 21 88 89

#### 1.2 大批量插入数据 ####

如果一次性需要插入大批量数据(比如: 几百万的记录)，使用insert语句插入性能较低，此时可以使用MySQL数据库提供的load指令进行插入。操作如下：

![image-20230325220300256][]

可以执行如下指令，将数据脚本文件中的数据加载到表结构中：

-- 客户端连接服务端时，加上参数 -–local-infile
    mysql –-local-infile -u root -p
    -- 设置全局参数local_infile为1，开启从本地加载文件导入数据的开关
    set global local_infile = 1;
    -- 执行load指令将准备好的数据，加载到表结构中
    load data local infile '/root/sql1.log' into table tb_user fields terminated by ',' lines terminated by '\n' ;

主键顺序插入性能高于乱序插入

示例演示:  
A. 创建表结构

CREATE TABLE `tb_user` (
    	`id` INT(11) NOT NULL AUTO_INCREMENT,
    	`username` VARCHAR(50) NOT NULL,
    	`password` VARCHAR(50) NOT NULL,
    	`name` VARCHAR(20) NOT NULL,
    	`birthday` DATE DEFAULT NULL,
    	`sex` CHAR(1) DEFAULT NULL,
    	PRIMARY KEY (`id`),
    	UNIQUE KEY `unique_user_username` (`username`)
    ) ENGINE=INNODB DEFAULT CHARSET=utf8 ;

B. 设置参数

-- 客户端连接服务端时，加上参数 -–local-infile
    mysql –-local-infile -u root -p
    -- 设置全局参数local_infile为1，开启从本地加载文件导入数据的开关
    set global local_infile = 1;

C. load加载数据

load data local infile '/root/load_user_100w_sort.sql' into table tb_user fields terminated by ',' lines terminated by '\n' ;

![image-20230325220644754][]

我们看到，插入100w的记录，17s就完成了，性能很好。

> 在load时，主键顺序插入性能高于乱序插入

### 2 主键优化 ###

在上一小节，我们提到，主键顺序插入的性能是要高于乱序插入的。 这一小节，就来介绍一下具体的原因，然后再分析一下主键又该如何设计。

1). 数据组织方式

在InnoDB存储引擎中，表数据都是根据主键顺序组织存放的，这种存储方式的表称为索引组织表 (index organized table IOT)。

![image-20230325220755697][]

行数据，都是存储在聚集索引的叶子节点上的。而我们之前也讲解过InnoDB的逻辑结构图：

![image-20230325220810774][]

在InnoDB引擎中，数据行是记录在逻辑结构 page 页中的，而每一个页的大小是固定的，默认16K。

那也就意味着， 一个页中所存储的行也是有限的，如果插入的数据行row在该页存储不小，将会存储到下一个页中，页与页之间会通过指针连接。

2). 页分裂

页可以为空，也可以填充一半，也可以填充100%。每个页包含了2-N行数据(如果一行数据过大，会行溢出)，根据主键排列。

A. 主键顺序插入效果

①. 从磁盘中申请页， 主键顺序插入

![image-20230325220905028][]

②. 第一个页没有满，继续往第一页插入

![image-20230325220917965][]

③. 当第一个也写满之后，再写入第二个页，页与页之间会通过指针连接

![image-20230325220938069][]

④. 当第二页写满了，再往第三页写入

![image-20230325221134727][]

B. 主键乱序插入效果  
①. 加入1\#,2\#页都已经写满了，存放了如图所示的数据

![image-20230325221148476][]

②. 此时再插入id为50的记录，我们来看看会发生什么现象  
会再次开启一个页，写入新的页中吗？

![image-20230325221202181][]

不会。因为，索引结构的叶子节点是有顺序的。按照顺序，应该存储在47之后。

![image-20230325221215971][]

但是47所在的1\#页，已经写满了，存储不了50对应的数据了。 那么此时会开辟一个新的页 3\#。

![image-20230325221240991][]

但是并不会直接将50存入3\#页，而是会将1\#页后一半的数据，移动到3\#页，然后在3\#页，插入50。

![image-20230325221256581][]

移动数据，并插入id为50的数据之后，那么此时，这三个页之间的数据顺序是有问题的。 1\#的下一个页，应该是3\#， 3\#的下一个页是2\#。 所以，此时，需要重新设置链表指针。

![image-20230325221316702][]

上述的这种现象，称之为 “页分裂”，是比较耗费性能的操作。

3). 页合并  
目前表中已有数据的索引结构(叶子节点)如下：

![image-20230325221343255][]

当我们对已有数据进行删除时，具体的效果如下:  
当删除一行记录时，实际上记录并没有被物理删除，只是记录被标记（flaged）为删除并且它的空间变得允许被其他记录声明使用。

![image-20230325221401843][]

当我们继续删除2\#的数据记录

![image-20230325221413508][]

当页中删除的记录达到 MERGE\_THRESHOLD（默认为页的50%），InnoDB会开始寻找最靠近的页（前或后）看看是否可以将两个页合并以优化空间使用。

![image-20230325221513567][]

删除数据，并将页合并之后，再次插入新的数据21，则直接插入3\#页

![image-20230325221527106][]

这个里面所发生的合并页的这个现象，就称之为 “页合并”。

知识小贴士：  
`MERGE_THRESHOLD`：合并页的阈值，可以自己设置，在创建表或者创建索引时指定。

4). 索引设计原则

*  满足业务需求的情况下，尽量降低主键的长度。
 *  插入数据时，尽量选择顺序插入，选择使用AUTO\_INCREMENT自增主键。
 *  尽量不要使用UUID做主键或者是其他自然主键，如身份证号。
 *  业务操作时，避免对主键的修改。
 *

![image-20230325221634706][]

### 3 order by优化 ###

MySQL的排序，有两种方式：

`Using filesort` : 通过表的索引或全表扫描，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。

对于以上的两种排序方式，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。

接下来，我们来做一个测试：

A. 数据准备把之前测试时，为tb\_user表所建立的部分索引直接删除掉

drop index idx_user_phone on tb_user;
    drop index idx_user_phone_name on tb_user;
    drop index idx_user_name on tb_user;

![image-20230325222234387][]

B. 执行排序SQL

explain select id,age,phone from tb_user order by age ;

![image-20230325223320254][]

explain select id,age,phone from tb_user order by age, phone ;

![image-20230325223351246][]

由于 age, phone 都没有索引，所以此时再排序时，出现Using filesort， 排序性能较低。

C. 创建索引

-- 创建索引
    create index idx_user_age_phone_aa on tb_user(age,phone);

D. 创建索引后，根据age, phone进行升序排序

explain select id,age,phone from tb_user order by age;

![image-20230325223550135][]

explain select id,age,phone from tb_user order by age, phone;

![image-20230325223628326][]

建立索引之后，再次进行排序查询，就由原来的`Using filesort`， 变为了 Using index，性能就是比较高的了。

E. 创建索引后，根据age, phone进行降序排序

explain select id,age,phone from tb_user order by age desc, phone desc ;

![image-20230325224005077][]

也出现 Using index， 但是此时Extra中出现了 Backward index scan，这个代表反向扫描索引，因为在MySQL中我们创建的索引，默认索引的叶子节点是从小到大排序的，而此时我们查询排序时，是从大到小，所以，在扫描时，就是反向扫描，就会出现 Backward index scan。 在MySQL8版本中，支持降序索引，我们也可以创建降序索引。

F. 根据phone，age进行升序排序，phone在前，age在后。

![image-20230325224127268][]

排序时, 也需要满足最左前缀法则, 否则也会出现 filesort。因为在创建索引的时候，age是第一个字段，phone是第二个字段，所以排序时，也就该按照这个顺序来，否则就会出现 Using filesort。

F. 根据age, phone进行降序一个升序，一个降序

explain select id,age,phone from tb_user order by age asc, phone desc ;

![image-20230325224318740][]

因为创建索引时，如果未指定顺序，默认都是按照升序排序的，而查询时，一个升序，一个降序，此时就会出现Using filesort。

![image-20230325224443478][]

为了解决上述的问题，我们可以创建一个索引，这个联合索引中 age 升序排序，phone 倒序排序。

G. 创建联合索引(age 升序排序，phone 倒序排序)

create index idx_user_age_phone_ad on tb_user(age asc, phone desc);

![image-20230325224656318][]

H. 然后再次执行如下SQL

explain select id,age,phone from tb_user order by age asc, phone desc

![image-20230325224724354][]

升序/降序联合索引结构图示

![image-20230325224735771][]

![image-20230325224743803][]

由上述的测试,我们得出order by优化原则:

A. 根据排序字段建立合适的索引，多字段排序时，也遵循最左前缀法则。

B. 尽量使用覆盖索引。

C. 多字段排序, 一个升序一个降序，此时需要注意联合索引在创建时的规则（ASC/DESC）。

D. 如果不可避免的出现`filesort`，大数据量排序时，可以适当增大排序缓冲区大小 sort\_buffer\_size(默认256k)。

### 4 group by优化 ###

分组操作，我们主要来看看索引对于分组操作的影响。

首先我们先将 `tb_user` 表的索引全部删除掉 。

drop index idx_user_pro_age_sta on tb_user;
    drop index idx_email_5 on tb_user;
    drop index idx_user_age_phone_aa on tb_user;
    drop index idx_user_age_phone_ad on tb_user;
    drop index idx_user_pro on tb_user;

![image-20230325225155741][]

接下来，在没有索引的情况下，执行如下SQL，查询执行计划：

explain select profession, count(*) from tb_user group by profession ;

![image-20230325225412697][]

然后，我们在针对于 profession ， age， status 创建一个联合索引。

create index idx_user_pro_age_sta on tb_user(profession, age, status);

紧接着，再执行前面相同的SQL查看执行计划。

explain select profession , count(*) from tb_user group by profession ;

![image-20230325225511691][]

再执行如下的分组查询SQL，查看执行计划：

![image-20230325225616410][]

![image-20230325225904144][]

我们发现，如果仅仅根据age分组，就会出现 Using temporary ；而如果是根据profession,age两个字段同时分组，则不会出现 Using temporary。原因是因为对于分组操作，在联合索引中，也是符合最左前缀法则的。

所以，在分组操作中，我们需要通过以下两点进行优化，以提升性能：

A. 在分组操作时，可以通过索引来提高效率。  
B. 分组操作时，索引的使用也是满足最左前缀法则的。

### 5 limit优化 ###

在数据量比较大时，如果进行limit分页查询，在查询时，越往后，分页查询效率越低。  
我们一起来看看执行limit分页查询耗时对比：

select * from tb_sku limit 0,10;
    select * from tb_sku limit 1000000,10;
    select * from tb_sku limit 5000000,10;
    select * from tb_sku limit 9000000,10;

![image-20230325230253064][]

通过测试我们会看到，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 2000000,10 ，此时需要MySQL排序前2000010 记录，仅仅返回 2000000 - 2000010 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。

explain select * from tb_sku t , (select id from tb_sku order by id limit 2000000,10) a where t.id = a.id;

![image-20230325230458807][]

### 6 count优化 ###

#### 6.1 概述 ####

select count(*) from tb_user ;

在之前的测试中，我们发现，如果数据量很大，在执行count操作时，是非常耗时的。

*  MyISAM 引擎把一个表的总行数存在了磁盘上，因此执行 `count(*)` 的时候会直接返回这个数，效率很高； 但是如果是带条件的count，MyISAM也慢。
 *  InnoDB 引擎就麻烦了，它执行 `count(*)` 的时候，需要把数据一行一行地从引擎里面读出来，然后累积计数。

如果说要大幅度提升InnoDB表的count效率，主要的优化思路：自己计数(可以借助于redis这样的数据库进行,但是如果是带条件的count又比较麻烦了)。

#### 6.2 count用法 ####

count() 是一个聚合函数，对于返回的结果集，一行行地判断，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）

<table> 
 <thead> 
  <tr> 
   <th><strong>count用</strong> <strong>法</strong></th> 
   <th><strong>含义</strong></th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>count(主 键)</td> 
   <td>InnoDB 引擎会遍历整张表，把每一行的 主键id 值都取出来，返回给服务层。 服务层拿到主键后，直接按行进行累加(主键不可能为null)</td> 
  </tr> 
  <tr> 
   <td>count(字段)</td> 
   <td>没有not null 约束 : InnoDB 引擎会遍历整张表把每一行的字段值都取出来，返回给服务层，服务层判断是否为null，不为null，计数累加。 有not null 约束：InnoDB 引擎会遍历整张表把每一行的字段值都取出来，返回给服务层，直接按行进行累加。</td> 
  </tr> 
  <tr> 
   <td>count(数 字)</td> 
   <td>InnoDB 引擎遍历整张表，但不取值。服务层对于返回的每一行，放一个数字“1” 进去，直接按行进行累加。</td> 
  </tr> 
  <tr> 
   <td><code>count(*)</code></td> 
   <td>InnoDB引擎并不会把全部字段取出来，而是专门做了优化，不取值，服务层直接按行进行累加。</td> 
  </tr> 
 </tbody> 
</table>

> 按照效率排序的话，count(字段) < count(主键 id) < count(1) ≈ `count(*)`，所以尽量使用 `count(*)`。

### 7 update优化 ###

数据表如下, id有索引, name无索引

![image-20230325231932880][]

我们主要需要注意一下update语句执行时的注意事项。

update course set name = 'javaEE' where id = 1 ;

当我们在执行删除的SQL语句时，会锁定id为1这一行的数据，然后事务提交之后，行锁释放。

现在有俩客户端同时开启事务, 对数据库进行操作

-- 客户端1
    begin;
    update course set name = 'javaEE' where id = 1 ;
    -- 客户端2
    begin;
    update course set name = 'javaEE33' where id = 4 ;
    -- 客户端1
    commit;
    -- 客户端2
    commit;

没有问题

但是当我们在执行如下SQL时。

-- 客户端1
    begin;
    update course set name = 'SpringBoot' where name = 'PHP' ;
    -- 客户端2
    begin;
    update course set name = 'Kafka2' where name = 'Kafka' ;
    -- 失败!!
    -- 客户端1
    commit;
    -- 客户端2
    commit;

当我们开启多个事务，在执行上述的SQL时，我们发现行锁升级为了表锁。 导致该update语句的性能大大降低。

> InnoDB的行锁是针对索引加的锁，不是针对记录加的锁, 并且该索引不能失效，否则会从行锁升级为表锁 。

### 总结 ###

![image-20230325232620094][]

[image-20230325220300256]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/25/2f9aa568e30f4ebcb386d5237261da57.png
[image-20230325220644754]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/25/d4b721649c1e476c961cf0e0ec9137a4.png
[image-20230325220755697]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/25/14ba3398db704e7aad8b5ed09899d505.png
[image-20230325220810774]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/25/3340f21f6e6542cd87bde86751ff0250.png
[image-20230325220905028]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/25/97d1364f2a754cef9538213acc5334fd.png
[image-20230325220917965]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/25/9f88aec9d0ff4de697821c3aa0635b12.png
[image-20230325220938069]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/25/41f2cbbf0d04441aadc84fe0a45893f4.png
[image-20230325221134727]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/25/7925d33ee962435d9fc4d06ad3bb76ed.png
[image-20230325221148476]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/25/d94b9163777d4b25948a72138d0a90c3.png
[image-20230325221202181]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/25/5ac0f75769114d1ca960af2c5179f415.png
[image-20230325221215971]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/25/a176133917dc4653a94a7abb14c511a1.png
[image-20230325221240991]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/25/a1d66fdde6af4133b3f750386ec3fc6f.png
[image-20230325221256581]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/25/a582c8aff73e4ca6831422aaad29de5b.png
[image-20230325221316702]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/25/6dc21a92a4c949e18730b27854523e14.png
[image-20230325221343255]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/25/ef4f3abbde274cee949c2a9971a9ee66.png
[image-20230325221401843]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/25/9c89100103824d56a59351b6b40ed921.png
[image-20230325221413508]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/25/738b9ede6b9d43b395625b688789c3c0.png
[image-20230325221513567]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/25/76a4a79e03de41149cbc7fa502ce0e02.png
[image-20230325221527106]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/25/f1f8201ff5c5458e92f2b2c27e8949cf.png
[image-20230325221634706]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/25/c269ff92d85545deaa8a1cb5f9717c9c.png
[image-20230325222234387]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/25/6acb36de923042dd8dc8f84aea962411.png
[image-20230325223320254]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/25/1c995a6912204c138a8ae5840f89b849.png
[image-20230325223351246]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/25/7cef584802304fffa429df7f3fc7bce7.png
[image-20230325223550135]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/25/0a54c546b8ee4338b995bec79f6a4511.png
[image-20230325223628326]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/25/0e6c930af8f34adfbab7d7a1d35c2e68.png
[image-20230325224005077]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/25/38b623745d484a0b994c32cfd8ca7c14.png
[image-20230325224127268]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/25/2c693e9164724a1e8e39fa9b6d8a86be.png
[image-20230325224318740]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/25/00f80ef9d866492691130f0f73b04d5f.png
[image-20230325224443478]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/25/06a64288e49141108cda70042353ac9b.png
[image-20230325224656318]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/25/681af6cda682446596a40ab4926dd6fd.png
[image-20230325224724354]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/25/301fa804fc1648f684d696e113149a8e.png
[image-20230325224735771]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/25/b9dc7c8095ef4e07949ccfd3899e072f.png
[image-20230325224743803]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/25/ac505172a151445f9a8f341cd8278f18.png
[image-20230325225155741]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/25/f25d4360a72b4d6abbfd458245045bf6.png
[image-20230325225412697]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/25/f9df9dc06f414edc9e8e56f8b5cafcb2.png
[image-20230325225511691]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/25/a307e5593cdb4ac187301aaf8b288339.png
[image-20230325225616410]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/25/088f03febc204e59b218382f7028e649.png
[image-20230325225904144]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/25/4835af9efced48bb93f0075edd7dad8c.png
[image-20230325230253064]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/25/0e72751d3dec4ee2b012d6a784d469e5.png
[image-20230325230458807]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/25/239f128c16f140c8ac9ff268d14af0f9.png
[image-20230325231932880]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/25/1587d42471864eada50c6d9fc1a8fd97.png
[image-20230325232620094]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/25/05e2f0444d564666a64ff78f04186616.png