MySQL數據庫的索引原理、與慢SQL優化的5大原則

MySQL憑藉着出色的性能、低廉的成本、豐富的資源，已經成爲絕大多數互聯網公司的首選關係型數據庫。雖然性能出色，但所謂「好馬配好鞍」，如何可以更好的使用它，已經成爲開發工程師的必修課，咱們常常會從職位描述上看到諸如「精通MySQL」、「SQL語句優化」、「瞭解數據庫原理」等要求。

咱們知道通常的應用系統，讀寫比例在10:1左右，並且插入操做和通常的更新操做不多出現性能問題，遇到最多的，也是最容易出問題的，仍是一些複雜的查詢操做，因此查詢語句的優化顯然是重中之重。

本文旨在以開發工程師的角度來解釋數據庫索引的原理和如何優化慢查詢。

MySQL索引原理

1.索引目的

索引的目的在於提升查詢效率，能夠類比字典，若是要查「mysql」這個單詞，咱們確定須要定位到m字母，而後從下往下找到y字母，再找到剩下的sql。若是沒有索引，那麼你可能須要把全部單詞看一遍才能找到你想要的，若是我想找到m開頭的單詞呢？或者ze開頭的單詞呢？是否是以爲若是沒有索引，這個事情根本沒法完成？

2.索引原理

除了詞典，生活中隨處可見索引的例子，如火車站的車次表、圖書的目錄等。它們的原理都是同樣的，經過不斷的縮小想要得到數據的範圍來篩選出最終想要的結果，同時把隨機的事件變成順序的事件，也就是咱們老是經過同一種查找方式來鎖定數據。

數據庫也是同樣，但顯然要複雜許多，由於不只面臨着等值查詢，還有範圍查詢(>、<、between、in)、模糊查詢(like)、並集查詢(or)等等。數據庫應該選擇怎麼樣的方式來應對全部的問題呢？咱們回想字典的例子，能不能把數據分紅段，而後分段查詢呢？最簡單的若是1000條數據，1到100分紅第一段，101到200分紅第二段，201到300分紅第三段……這樣查第250條數據，只要找第三段就能夠了，一會兒去除了90%的無效數據。但若是是1千萬的記錄呢，分紅幾段比較好？稍有算法基礎的同窗會想到搜索樹，其平均複雜度是lgN，具備不錯的查詢性能。但這裏咱們忽略了一個關鍵的問題，複雜度模型是基於每次相同的操做成原本考慮的，數據庫實現比較複雜，數據保存在磁盤上，而爲了提升性能，每次又能夠把部分數據讀入內存來計算，由於咱們知道訪問磁盤的成本大概是訪問內存的十萬倍左右，因此簡單的搜索樹難以知足複雜的應用場景。

3.磁盤IO與預讀

前面提到了訪問磁盤，那麼這裏先簡單介紹一下磁盤IO和預讀，磁盤讀取數據靠的是機械運動，每次讀取數據花費的時間能夠分爲尋道時間、旋轉延遲、傳輸時間三個部分，尋道時間指的是磁臂移動到指定磁道所須要的時間，主流磁盤通常在5ms如下；旋轉延遲就是咱們常常據說的磁盤轉速，好比一個磁盤7200轉，表示每分鐘能轉7200次，也就是說1秒鐘能轉120次，旋轉延遲就是1/120/2 = 4.17ms；傳輸時間指的是從磁盤讀出或將數據寫入磁盤的時間，通常在零點幾毫秒，相對於前兩個時間能夠忽略不計。那麼訪問一次磁盤的時間，即一次磁盤IO的時間約等於5+4.17 = 9ms左右，聽起來還挺不錯的，但要知道一臺500 -MIPS的機器每秒能夠執行5億條指令，由於指令依靠的是電的性質，換句話說執行一次IO的時間能夠執行40萬條指令，數據庫動輒十萬百萬乃至千萬級數據，每次9毫秒的時間，顯然是個災難。下圖是計算機硬件延遲的對比圖，供你們參考：

考慮到磁盤IO是很是高昂的操做，計算機操做系統作了一些優化，當一次IO時，不光把當前磁盤地址的數據，而是把相鄰的數據也都讀取到內存緩衝區內，由於局部預讀性原理告訴咱們，當計算機訪問一個地址的數據的時候，與其相鄰的數據也會很快被訪問到。每一次IO讀取的數據咱們稱之爲一頁(page)。具體一頁有多大數據跟操做系統有關，通常爲4k或8k，也就是咱們讀取一頁內的數據時候，實際上才發生了一次IO，這個理論對於索引的數據結構設計很是有幫助。

4.索引的數據結構

前面講了生活中索引的例子，索引的基本原理，數據庫的複雜性，又講了操做系統的相關知識，目的就是讓你們瞭解，任何一種數據結構都不是憑空產生的，必定會有它的背景和使用場景，咱們如今總結一下，咱們須要這種數據結構可以作些什麼，其實很簡單，那就是：每次查找數據時把磁盤IO次數控制在一個很小的數量級，最好是常數數量級。那麼咱們就想到若是一個高度可控的多路搜索樹是否能知足需求呢？就這樣，b+樹應運而生。

5.詳解b+樹

如上圖，是一顆b+樹，關於b+樹的定義能夠參見B+樹，這裏只說一些重點，淺藍色的塊咱們稱之爲一個磁盤塊，能夠看到每一個磁盤塊包含幾個數據項（深藍色所示）和指針（黃色所示），如磁盤塊1包含數據項17和35，包含指針P一、P二、P3，P1表示小於17的磁盤塊，P2表示在17和35之間的磁盤塊，P3表示大於35的磁盤塊。真實的數據存在於葉子節點即三、五、九、十、1三、1五、2八、2九、3六、60、7五、7九、90、99。非葉子節點只不存儲真實的數據，只存儲指引搜索方向的數據項，如1七、35並不真實存在於數據表中。

6.b+樹的查找過程

如圖所示，若是要查找數據項29，那麼首先會把磁盤塊1由磁盤加載到內存，此時發生一次IO，在內存中用二分查找肯定29在17和35之間，鎖定磁盤塊1的P2指針，內存時間由於很是短（相比磁盤的IO）能夠忽略不計，經過磁盤塊1的P2指針的磁盤地址把磁盤塊3由磁盤加載到內存，發生第二次IO，29在26和30之間，鎖定磁盤塊3的P2指針，經過指針加載磁盤塊8到內存，發生第三次IO，同時內存中作二分查找找到29，結束查詢，總計三次IO。真實的狀況是，3層的b+樹能夠表示上百萬的數據，若是上百萬的數據查找只須要三次IO，性能提升將是巨大的，若是沒有索引，每一個數據項都要發生一次IO，那麼總共須要百萬次的IO，顯然成本很是很是高。

7.b+樹性質

1.經過上面的分析，咱們知道IO次數取決於b+數的高度h，假設當前數據表的數據爲N，每一個磁盤塊的數據項的數量是m，則有h=㏒(m+1)N，當數據量N必定的狀況下，m越大，h越小；而m = 磁盤塊的大小 / 數據項的大小，磁盤塊的大小也就是一個數據頁的大小，是固定的，若是數據項佔的空間越小，數據項的數量越多，樹的高度越低。這就是爲何每一個數據項，即索引字段要儘可能的小，好比int佔4字節，要比bigint8字節少一半。這也是爲何b+樹要求把真實的數據放到葉子節點而不是內層節點，一旦放到內層節點，磁盤塊的數據項會大幅度降低，致使樹增高。當數據項等於1時將會退化成線性表。

2.當b+樹的數據項是複合的數據結構，好比(name,age,sex)的時候，b+數是按照從左到右的順序來創建搜索樹的，好比當(張三,20,F)這樣的數據來檢索的時候，b+樹會優先比較name來肯定下一步的所搜方向，若是name相同再依次比較age和sex，最後獲得檢索的數據；但當(20,F)這樣的沒有name的數據來的時候，b+樹就不知道下一步該查哪一個節點，由於創建搜索樹的時候name就是第一個比較因子，必需要先根據name來搜索才能知道下一步去哪裏查詢。好比當(張三,F)這樣的數據來檢索時，b+樹能夠用name來指定搜索方向，但下一個字段age的缺失，因此只能把名字等於張三的數據都找到，而後再匹配性別是F的數據了， 這個是很是重要的性質，即索引的最左匹配特性。

慢查詢優化

關於MySQL索引原理是比較枯燥的東西，你們只須要有一個感性的認識，並不須要理解得很是透徹和深刻。咱們回頭來看看一開始咱們說的慢查詢，瞭解完索引原理以後，你們是否是有什麼想法呢？先總結一下索引的幾大基本原則

建索引的幾大原則

1.最左前綴匹配原則

很是重要的原則，mysql會一直向右匹配直到遇到範圍查詢(>、<、between、like)就中止匹配，好比a = 1 and b = 2 and c > 3 and d = 4 若是創建(a,b,c,d)順序的索引，d是用不到索引的，若是創建(a,b,d,c)的索引則均可以用到，a,b,d的順序能夠任意調整。

2.=和in能夠亂序

好比a = 1 and b = 2 and c = 3 創建(a,b,c)索引能夠任意順序，mysql的查詢優化器會幫你優化成索引能夠識別的形式

3.儘可能選擇區分度高的列做爲索引

區分度的公式是count(distinct col)/count(*)，表示字段不重複的比例，比例越大咱們掃描的記錄數越少，惟一鍵的區分度是1，而一些狀態、性別字段可能在大數據面前區分度就是0，那可能有人會問，這個比例有什麼經驗值嗎？使用場景不一樣，這個值也很難肯定，通常須要join的字段咱們都要求是0.1以上，即平均1條掃描10條記錄

4.索引列不能參與計算，保持列「乾淨」

好比from_unixtime(create_time) = ’2014-05-29’就不能使用到索引，緣由很簡單，b+樹中存的都是數據表中的字段值，但進行檢索時，須要把全部元素都應用函數才能比較，顯然成本太大。因此語句應該寫成create_time = unix_timestamp(’2014-05-29’);

5.儘可能的擴展索引，不要新建索引。

好比表中已經有a的索引，如今要加(a,b)的索引，那麼只須要修改原來的索引便可

查詢優化神器 – explain命令

關於explain命令相信你們並不陌生，具體用法和字段含義能夠參考官網explain-output，這裏須要強調rows是核心指標，絕大部分rows小的語句執行必定很快（有例外，下面會講到）。因此優化語句基本上都是在優化rows。

慢查詢優化基本步驟

0.先運行看看是否真的很慢，注意設置SQL_NO_CACHE

1.where條件單表查，鎖定最小返回記錄表。這句話的意思是把查詢語句的where都應用到表中返回的記錄數最小的表開始查起，單表每一個字段分別查詢，看哪一個字段的區分度最高

2.explain查看執行計劃，是否與1預期一致（從鎖定記錄較少的表開始查詢）

3.order by limit 形式的sql語句讓排序的表優先查

4.瞭解業務方使用場景

5.加索引時參照建索引的幾大原則

6.觀察結果，不符合預期繼續從0分析

慢查詢案例

下面幾個例子詳細解釋瞭如何分析和優化慢查詢

複雜語句寫法

不少狀況下，咱們寫SQL只是爲了實現功能，這只是第一步，不一樣的語句書寫方式對於效率每每有本質的差異，這要求咱們對mysql的執行計劃和索引原則有很是清楚的認識，請看下面的語句

select
distinct cert.emp_id 
from
cm_log cl 
inner join
(
select
 emp.id as emp_id,
 emp_cert.id as cert_id 
from
employee emp 
left join
  emp_certificate emp_cert 
on emp.id = emp_cert.emp_id 
where
emp.is_deleted=0
) cert 
on (
cl.ref_table='Employee' 
 and cl.ref_oid= cert.emp_id
) 
or (
cl.ref_table='EmpCertificate' 
and cl.ref_oid= cert.cert_id
) 
where
cl.last_upd_date >='2013-11-07 15:03:00' 
 and cl.last_upd_date<='2013-11-08 16:00:00';

0.先運行一下，53條記錄 1.87秒，又沒有用聚合語句，比較慢

53 rows in set (1.87 sec)

1.explain

id	select_type	table	type	possible_keys	key	key_len	ref	rows	Extra
1	PRIMARY	cl	range	cm_log_cls_id,idx_last_upd_date	idx_last_upd_date	8	NULL	379	Using where; Using temporary
1	PRIMARY	<derived2>	ALL	NULL	NULL	NULL	NULL	63727	Using where; Using join buffer
2	DERIVED	emp	ALL	NULL	NULL	NULL	NULL	13317	Using where
2	DERIVED	emp_cert	ref	emp_certificate_empid	emp_certificate_empid	4	meituanorg.emp.id	1	Using index

簡述一下執行計劃，首先mysql根據idx_last_upd_date索引掃描cm_log表得到379條記錄；而後查表掃描了63727條記錄，分爲兩部分，derived表示構造表，也就是不存在的表，能夠簡單理解成是一個語句造成的結果集，後面的數字表示語句的ID。derived2表示的是ID = 2的查詢構造了虛擬表，而且返回了63727條記錄。咱們再來看看ID = 2的語句究竟作了寫什麼返回了這麼大量的數據，首先全表掃描employee表13317條記錄，而後根據索引emp_certificate_empid關聯emp_certificate表，rows = 1表示，每一個關聯都只鎖定了一條記錄，效率比較高。得到後，再和cm_log的379條記錄根據規則關聯。從執行過程上能夠看出返回了太多的數據，返回的數據絕大部分cm_log都用不到，由於cm_log只鎖定了379條記錄。

如何優化呢？能夠看到咱們在運行完後仍是要和cm_log作join,那麼咱們能不能以前和cm_log作join呢？仔細分析語句不難發現，其基本思想是若是cm_log的ref_table是EmpCertificate就關聯emp_certificate表，若是ref_table是Employee就關聯employee表，咱們徹底能夠拆成兩部分，並用union鏈接起來，注意這裏用union，而不用union all是由於原語句有「distinct」來獲得惟一的記錄，而union剛好具有了這種功能。若是原語句中沒有distinct不須要去重，咱們就能夠直接使用union all了，由於使用union須要去重的動做，會影響SQL性能。

優化過的語句以下

select
emp.id 
from
cm_log cl 
inner join
 employee emp 
   on cl.ref_table = 'Employee' 
  and cl.ref_oid = emp.id 
 where
 cl.last_upd_date >='2013-11-07 15:03:00' 
 and cl.last_upd_date<='2013-11-08 16:00:00' 
and emp.is_deleted = 0 
union
select
emp.id 
from
cm_log cl 
inner join
 emp_certificate ec 
 on cl.ref_table = 'EmpCertificate' 
 and cl.ref_oid = ec.id 
inner join
employee emp 
on emp.id = ec.emp_id 
where
  cl.last_upd_date >='2013-11-07 15:03:00' 
and cl.last_upd_date<='2013-11-08 16:00:00' 
 and emp.is_deleted = 0

4.不須要了解業務場景，只須要改造的語句和改造以前的語句保持結果一致

5.現有索引能夠知足，不須要建索引

6.用改造後的語句實驗一下，只須要10ms 下降了近200倍！

id	select_type	table	type	possible_keys	key	key_len	ref	rows	Extra
1	PRIMARY	cl	range	cm_log_cls_id,idx_last_upd_date	idx_last_upd_date	8	NULL	379	Using where
1	PRIMARY	emp	eq_ref	PRIMARY	PRIMARY	4	meituanorg.cl.ref_oid	1	Using where
2	UNION	cl	range	cm_log_cls_id,idx_last_upd_date	idx_last_upd_date	8	NULL	379	Using where
2	UNION	ec	eq_ref	PRIMARY,emp_certificate_empid	PRIMARY	4	meituanorg.cl.ref_oid	1
2	UNION	emp	eq_ref	PRIMARY	PRIMARY	4	meituanorg.ec.emp_id	1	Using where
NULL	UNION RESULT	<union1,2>	ALL	NULL	NULL	NULL	NULL	NULL

53 rows in set (0.01 sec)
明確應用場景

舉這個例子的目的在於顛覆咱們對列的區分度的認知，通常上咱們認爲區分度越高的列，越容易鎖定更少的記錄，但在一些特殊的狀況下，這種理論是有侷限性的

select
 * 
 from
 stage_poi sp 
 where
 sp.accurate_result=1 
  and (
  sp.sync_status=0 
or sp.sync_status=2 
  or sp.sync_status=4
 );

0.先看看運行多長時間,951條數據6.22秒，真的很慢

951 rows in set (6.22 sec)

1.先explain，rows達到了361萬，type = ALL代表是全表掃描

id	select_type	table	type	possible_keys	key	key_len	ref	rows	Extra
1	SIMPLE	sp	ALL	NULL	NULL	NULL	NULL	3613155	Using where

2.全部字段都應用查詢返回記錄數，由於是單表查詢 0已經作過了951條

3.讓explain的rows 儘可能逼近951

看一下accurate_result = 1的記錄數

select count(*),accurate_result from stage_poi group by accurate_result;
count(*)	accurate_result
1023	-1
2114655	0
972815	1

咱們看到accurate_result這個字段的區分度很是低，整個表只有-1,0,1三個值，加上索引也沒法鎖定特別少許的數據

再看一下sync_status字段的狀況

select count(*),sync_status from stage_poi group by sync_status;
count(*)	sync_status
3080	0
3085413	3

一樣的區分度也很低，根據理論，也不適合創建索引

問題分析到這，好像得出了這個表沒法優化的結論，兩個列的區分度都很低，即使加上索引也只能適應這種狀況，很難作廣泛性的優化，好比當sync_status 0、3分佈的很平均，那麼鎖定記錄也是百萬級別的

4.找業務方去溝通，看看使用場景。業務方是這麼來使用這個SQL語句的，每隔五分鐘會掃描符合條件的數據，處理完成後把sync_status這個字段變成1,五分鐘符合條件的記錄數並不會太多，1000個左右。瞭解了業務方的使用場景後，優化這個SQL就變得簡單了，由於業務方保證了數據的不平衡，若是加上索引能夠過濾掉絕大部分不須要的數據

5.根據創建索引規則，使用以下語句創建索引

alter table stage_poi add index idx_acc_status(accurate_result,sync_status);

6.觀察預期結果,發現只須要200ms，快了30多倍。

952 rows in set (0.20 sec)
咱們再來回顧一下分析問題的過程，單表查詢相對來講比較好優化，大部分時候只須要把where條件裏面的字段依照規則加上索引就好，若是隻是這種「無腦」優化的話，顯然一些區分度很是低的列，不該該加索引的列也會被加上索引，這樣會對插入、更新性能形成嚴重的影響，同時也有可能影響其它的查詢語句。

因此咱們第4步調差SQL的使用場景很是關鍵，咱們只有知道這個業務場景，才能更好地輔助咱們更好的分析和優化查詢語句。

慢查詢的案例就分析到這兒，以上只是一些比較典型的案例。

咱們在優化過程當中遇到過超過1000行，涉及到16個表join的「垃圾SQL」，也遇到過線上線下數據庫差別致使應用直接被慢查詢拖死，也遇到過varchar等值比較沒有寫單引號，還遇到過笛卡爾積查詢直接把從庫搞死。再多的案例其實也只是一些經驗的積累，若是咱們熟悉查詢優化器、索引的內部原理，那麼分析這些案例就變得特別簡單了。

最後，我在插播一則公告：

若是你也想在IT行業拿高薪，能夠參加咱們的免費訓練營，選擇最適合本身的方法學習，技術大牛親授，9個月後，進入名企拿高薪。咱們的免費訓練營內容有：Java工程化、高性能及分佈式、高性能、深刻淺出。高架構。性能調優、Spring，MyBatis，Netty源碼分析和項目實戰等多個知識點。若是你想拿高薪的，想學習的，想就業前景好的，想跟別人競爭能取得優點的，想進阿里面試但擔憂面試不過的，你均可以來，羣號爲：948368769

進羣：能夠領取免費的架構師學習資料。

進羣：瞭解最新的IT互聯網動態

進羣：瞭解最新的阿里，京東招聘資訊

進羣：獲取更多的面試資料

一、具備1-5工做經驗的，面對目前流行的技術不知從何下手，須要突破技術瓶頸的能夠加羣。
二、在公司待久了，過得很安逸，但跳槽時面試碰壁。須要在短期內進修、跳槽拿高薪的能夠加羣。
三、若是沒有工做經驗，但基礎很是紮實，對java工做機制，經常使用設計思想，經常使用java開發框架掌握熟練的，能夠加羣。
四、以爲本身很牛B，通常需求都能搞定。可是所學的知識點沒有系統化，很難在技術領域繼續突破的能夠加q u n。
5.羣號：程序員交流羣：948368769 備註好信息！
6.阿里Java高級架構師直播講解知識點，分享知識，多年工做經驗的梳理和總結，帶着你們全面、科學地創建本身的技術體系和技術認知！

謝謝各位讀者的支持！有了大家的支持，我會再接再礪，勇創更精彩的優質文章。