Mysql 結構、原理、事務、效率

時間  2019-11-12
標籤 mysql 結構 原理 事務 效率 欄目 MySQL 简体版
原文   原文鏈接

 

Mysql Innodb中的事務隔離級別和鎖的關係

前言:html

咱們都知道事務的幾種性質，數據庫爲了維護這些性質，尤爲是一致性和隔離性，通常使用加鎖這種方式。同時數據庫又是個高併發的應用，同一時間會有大量的併發訪問，若是加鎖過分，會極大的下降併發處理能力。因此對於加鎖的處理，能夠說就是數據庫對於事務處理的精髓所在。這裏經過分析MySQL中InnoDB引擎的加鎖機制，來拋磚引玉，讓讀者更好的理解，在事務處理中數據庫到底作了什麼。node

#一次封鎖or兩段鎖？
由於有大量的併發訪問，爲了預防死鎖，通常應用中推薦使用一次封鎖法，就是在方法的開始階段，已經預先知道會用到哪些數據，而後所有鎖住，在方法運行以後，再所有解鎖。這種方式能夠有效的避免循環死鎖，但在數據庫中卻不適用，由於在事務開始階段，數據庫並不知道會用到哪些數據。
數據庫遵循的是兩段鎖協議，將事務分紅兩個階段，加鎖階段和解鎖階段（因此叫兩段鎖）mysql

  • 加鎖階段：在該階段能夠進行加鎖操做。在對任何數據進行讀操做以前要申請並得到S鎖（共享鎖，其它事務能夠繼續加共享鎖，但不能加排它鎖），在進行寫操做以前要申請並得到X鎖（排它鎖，其它事務不能再得到任何鎖）。加鎖不成功，則事務進入等待狀態，直到加鎖成功才繼續執行。
  • 解鎖階段：當事務釋放了一個封鎖之後，事務進入解鎖階段，在該階段只能進行解鎖操做不能再進行加鎖操做。
事務 加鎖/解鎖處理
begin；  
insert into test ..... 加insert對應的鎖
update test set... 加update對應的鎖
delete from test .... 加delete對應的鎖
commit; 事務提交時，同時釋放insert、update、delete對應的鎖

這種方式雖然沒法避免死鎖，可是兩段鎖協議能夠保證事務的併發調度是串行化（串行化很重要，尤爲是在數據恢復和備份的時候）的。算法

#事務中的加鎖方式sql

##事務的四種隔離級別
在數據庫操做中，爲了有效保證併發讀取數據的正確性，提出的事務隔離級別。咱們的數據庫鎖，也是爲了構建這些隔離級別存在的。數據庫

隔離級別 髒讀（Dirty Read） 不可重複讀（NonRepeatable Read） 幻讀（Phantom Read）
未提交讀（Read uncommitted） 可能 可能 可能
已提交讀（Read committed） 不可能 可能 可能
可重複讀（Repeatable read） 不可能 不可能 可能
可串行化（Serializable ） 不可能 不可能 不可能
  • 未提交讀(Read Uncommitted)：容許髒讀，也就是可能讀取到其餘會話中未提交事務修改的數據
  • 提交讀(Read Committed)：只能讀取到已經提交的數據。Oracle等多數數據庫默認都是該級別 (不重複讀)
  • 可重複讀(Repeated Read)：可重複讀。在同一個事務內的查詢都是事務開始時刻一致的，InnoDB默認級別。在SQL標準中，該隔離級別消除了不可重複讀，可是還存在幻象讀
  • 串行讀(Serializable)：徹底串行化的讀，每次讀都須要得到表級共享鎖，讀寫相互都會阻塞

Read Uncommitted這種級別，數據庫通常都不會用，並且任何操做都不會加鎖，這裏就不討論了。安全

##MySQL中鎖的種類
MySQL中鎖的種類不少，有常見的表鎖和行鎖，也有新加入的Metadata Lock等等,表鎖是對一整張表加鎖，雖然可分爲讀鎖和寫鎖，但畢竟是鎖住整張表，會致使併發能力降低，通常是作ddl處理時使用。網絡

行鎖則是鎖住數據行，這種加鎖方法比較複雜，可是因爲只鎖住有限的數據，對於其它數據不加限制，因此併發能力強，MySQL通常都是用行鎖來處理併發事務。這裏主要討論的也就是行鎖。session

###Read Committed（讀取提交內容）
在RC級別中，數據的讀取都是不加鎖的，可是數據的寫入、修改和刪除是須要加鎖的。效果以下數據結構

MySQL> show create table class_teacher \G\
Table: class_teacher
Create Table: CREATE TABLE `class_teacher` (
  `id` int(11) NOT NULL AUTO_INCREMENT,
  `class_name` varchar(100) COLLATE utf8mb4_unicode_ci NOT NULL,
  `teacher_id` int(11) NOT NULL,
  PRIMARY KEY (`id`),
  KEY `idx_teacher_id` (`teacher_id`)
) ENGINE=InnoDB AUTO_INCREMENT=5 DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_unicode_ci
1 row in set (0.02 sec)
MySQL> select * from class_teacher;
+----+--------------+------------+
| id | class_name   | teacher_id |
+----+--------------+------------+
|  1 | 初三一班     |          1 |
|  3 | 初二一班     |          2 |
|  4 | 初二二班     |          2 |
+----+--------------+------------+

因爲MySQL的InnoDB默認是使用的RR級別，因此咱們先要將該session開啓成RC級別，而且設置binlog的模式

SET session transaction isolation level read committed;
SET SESSION binlog_format = 'ROW';（或者是MIXED）
事務A 事務B
begin; begin;
update class_teacher set class_name='初三二班' where teacher_id=1; update class_teacher set class_name='初三三班' where teacher_id=1;
  ERROR 1205 (HY000): Lock wait timeout exceeded; try restarting transaction
commit;  

爲了防止併發過程當中的修改衝突，事務A中MySQL給teacher_id=1的數據行加鎖，並一直不commit（釋放鎖），那麼事務B也就一直拿不到該行鎖，wait直到超時。

這時咱們要注意到，teacher_id是有索引的，若是是沒有索引的class_name呢？update class_teacher set teacher_id=3 where class_name = '初三一班';
那麼MySQL會給整張表的全部數據行的加行鎖。這裏聽起來有點難以想象，可是當sql運行的過程當中，MySQL並不知道哪些數據行是 class_name = '初三一班'的（沒有索引嘛），若是一個條件沒法經過索引快速過濾，存儲引擎層面就會將全部記錄加鎖後返回，再由MySQL Server層進行過濾。

但在實際使用過程中，MySQL作了一些改進，在MySQL Server過濾條件，發現不知足後，會調用unlock_row方法，把不知足條件的記錄釋放鎖 (違背了二段鎖協議的約束)。這樣作，保證了最後只會持有知足條件記錄上的鎖，可是每條記錄的加鎖操做仍是不能省略的。可見即便是MySQL，爲了效率也是會違反規範的。（參見《高性能MySQL》中文第三版p181）

這種狀況一樣適用於MySQL的默認隔離級別RR。因此對一個數據量很大的表作批量修改的時候，若是沒法使用相應的索引，MySQL Server過濾數據的的時候特別慢，就會出現雖然沒有修改某些行的數據，可是它們仍是被鎖住了的現象。

###Repeatable Read（可重讀）
這是MySQL中InnoDB默認的隔離級別。咱們姑且分「讀」和「寫」兩個模塊來說解。

####讀
讀就是可重讀，可重讀這個概念是一事務的多個實例在併發讀取數據時，會看到一樣的數據行，有點抽象，咱們來看一下效果。

RC（不可重讀）模式下的展示

事務A 事務B
begin;

begin;

select id,class_name,teacher_id from class_teacher where teacher_id=1;

id class_name teacher_id
1 初三二班 1
2 初三一班 1
 
 

update class_teacher set class_name='初三三班' where id=1;
  commit;

select id,class_name,teacher_id from class_teacher where teacher_id=1;

id class_name teacher_id
1 初三三班 1
2 初三一班 1

 

讀到了事務B修改的數據，和第一次查詢的結果不同，是不可重讀的。

  
commit;  


事務B修改id=1的數據提交以後，事務A一樣的查詢，後一次和前一次的結果不同，這就是不可重讀（從新讀取產生的結果不同）。這就極可能帶來一些問題，那麼咱們來看看在RR級別中MySQL的表現：

 

事務A 事務B 事務C
begin;

begin;

begin;

select id,class_name,teacher_id from class_teacher where teacher_id=1;

id class_name teacher_id
1 初三二班 1
2 初三一班 1
   
 

update class_teacher set class_name='初三三班' where id=1;

commit;

 

  
    insert into class_teacher values (null,'初三三班',1);

 

commit;

select id,class_name,teacher_id from class_teacher where teacher_id=1;

id class_name teacher_id
1 初三二班 1
2 初三一班 1

 

沒有讀到事務B修改的數據，和第一次sql讀取的同樣，是可重複讀的。

沒有讀到事務C新添加的數據。

    
commit;    

咱們注意到，當teacher_id=1時，事務A先作了一次讀取，事務B中間修改了id=1的數據，並commit以後，事務A第二次讀到的數據和第一次徹底相同。因此說它是可重讀的。那麼MySQL是怎麼作到的呢？這裏姑且賣個關子，咱們往下看。

####不可重複讀和幻讀的區別####
不少人容易搞混不可重複讀和幻讀，確實這二者有些類似。但不可重複讀重點在於update和delete，而幻讀的重點在於insert。

若是使用鎖機制來實現這兩種隔離級別，在可重複讀中，該sql第一次讀取到數據後，就將這些數據加鎖，其它事務沒法修改這些數據，就能夠實現可重複讀了。但這種方法卻沒法鎖住insert的數據，因此當事務A先前讀取了數據，或者修改了所有數據，事務B仍是能夠insert數據提交，這時事務A就會發現莫名其妙多了一條以前沒有的數據，這就是幻讀，不能經過行鎖來避免。須要Serializable隔離級別 ，讀用讀鎖，寫用寫鎖，讀鎖和寫鎖互斥，這麼作能夠有效的避免幻讀、不可重複讀、髒讀等問題，但會極大的下降數據庫的併發能力。

因此說不可重複讀和幻讀最大的區別，就在於如何經過鎖機制來解決他們產生的問題。

上文說的，是使用悲觀鎖機制來處理這兩種問題，可是MySQL、ORACLE、PostgreSQL等成熟的數據庫，出於性能考慮，都是使用了以樂觀鎖爲理論基礎的MVCC（多版本併發控制）來避免這兩種問題。

####悲觀鎖和樂觀鎖####

  • 悲觀鎖

正如其名，它指的是對數據被外界（包括本系統當前的其餘事務，以及來自外部系統的事務處理）修改持保守態度，所以，在整個數據處理過程當中，將數據處於鎖定狀態。悲觀鎖的實現，每每依靠數據庫提供的鎖機制（也只有數據庫層提供的鎖機制才能真正保證數據訪問的排他性，不然，即便在本系統中實現了加鎖機制，也沒法保證外部系統不會修改數據）。

在悲觀鎖的狀況下，爲了保證事務的隔離性，就須要一致性鎖定讀。讀取數據時給加鎖，其它事務沒法修改這些數據。修改刪除數據時也要加鎖，其它事務沒法讀取這些數據。

  • 樂觀鎖

相對悲觀鎖而言，樂觀鎖機制採起了更加寬鬆的加鎖機制。悲觀鎖大多數狀況下依靠數據庫的鎖機制實現，以保證操做最大程度的獨佔性。但隨之而來的就是數據庫性能的大量開銷，特別是對長事務而言，這樣的開銷每每沒法承受。

而樂觀鎖機制在必定程度上解決了這個問題。樂觀鎖，大可能是基於數據版本（ Version ）記錄機制實現。何謂數據版本？即爲數據增長一個版本標識，在基於數據庫表的版本解決方案中，通常是經過爲數據庫表增長一個 「version」 字段來實現。讀取出數據時，將此版本號一同讀出，以後更新時，對此版本號加一。此時，將提交數據的版本數據與數據庫表對應記錄的當前版本信息進行比對，若是提交的數據版本號大於數據庫表當前版本號，則予以更新，不然認爲是過時數據。

要說明的是，MVCC的實現沒有固定的規範，每一個數據庫都會有不一樣的實現方式，這裏討論的是InnoDB的MVCC。

####MVCC在MySQL的InnoDB中的實現
在InnoDB中，會在每行數據後添加兩個額外的隱藏的值來實現MVCC，這兩個值一個記錄這行數據什麼時候被建立，另一個記錄這行數據什麼時候過時（或者被刪除）。 在實際操做中，存儲的並非時間，而是事務的版本號，每開啓一個新事務，事務的版本號就會遞增。 在可重讀Repeatable reads事務隔離級別下：

  • SELECT時，讀取建立版本號<=當前事務版本號，刪除版本號爲空或>當前事務版本號。
  • INSERT時，保存當前事務版本號爲行的建立版本號
  • DELETE時，保存當前事務版本號爲行的刪除版本號
  • UPDATE時，插入一條新紀錄，保存當前事務版本號爲行建立版本號，同時保存當前事務版本號到原來刪除的行

經過MVCC，雖然每行記錄都須要額外的存儲空間，更多的行檢查工做以及一些額外的維護工做，但能夠減小鎖的使用，大多數讀操做都不用加鎖，讀數據操做很簡單，性能很好，而且也能保證只會讀取到符合標準的行，也只鎖住必要行。

咱們無論從數據庫方面的教課書中學到，仍是從網絡上看到，大都是上文中事務的四種隔離級別這一模塊列出的意思，RR級別是可重複讀的，但沒法解決幻讀，而只有在Serializable級別才能解決幻讀。因而我就加了一個事務C來展現效果。在事務C中添加了一條teacher_id=1的數據commit，RR級別中應該會有幻讀現象，事務A在查詢teacher_id=1的數據時會讀到事務C新加的數據。可是測試後發現，在MySQL中是不存在這種狀況的，在事務C提交後，事務A仍是不會讀到這條數據。可見在MySQL的RR級別中，是解決了幻讀的讀問題的。參見下圖

innodb_lock_1

讀問題解決了，根據MVCC的定義，併發提交數據時會出現衝突，那麼衝突時如何解決呢？咱們再來看看InnoDB中RR級別對於寫數據的處理。

####「讀」與「讀」的區別
可能有讀者會疑惑，事務的隔離級別其實都是對於讀數據的定義，但到了這裏，就被拆成了讀和寫兩個模塊來說解。這主要是由於MySQL中的讀，和事務隔離級別中的讀，是不同的。

咱們且看，在RR級別中，經過MVCC機制，雖然讓數據變得可重複讀，但咱們讀到的數據多是歷史數據，是不及時的數據，不是數據庫當前的數據！這在一些對於數據的時效特別敏感的業務中，就極可能出問題。

對於這種讀取歷史數據的方式，咱們叫它快照讀 (snapshot read)，而讀取數據庫當前版本數據的方式，叫當前讀 (current read)。很顯然，在MVCC中：

  • 快照讀：就是select
    • select * from table ....;
  • 當前讀：特殊的讀操做，插入/更新/刪除操做，屬於當前讀，處理的都是當前的數據，須要加鎖。
    • select * from table where ? lock in share mode;
    • select * from table where ? for update;
    • insert;
    • update ;
    • delete;

事務的隔離級別實際上都是定義了當前讀的級別，MySQL爲了減小鎖處理（包括等待其它鎖）的時間，提高併發能力，引入了快照讀的概念，使得select不用加鎖。而update、insert這些「當前讀」，就須要另外的模塊來解決了。

###寫（"當前讀"）
事務的隔離級別中雖然只定義了讀數據的要求，實際上這也能夠說是寫數據的要求。上文的「讀」，實際是講的快照讀；而這裏說的「寫」就是當前讀了。
爲了解決當前讀中的幻讀問題，MySQL事務使用了Next-Key鎖。

####Next-Key鎖
Next-Key鎖是行鎖和GAP（間隙鎖）的合併，行鎖上文已經介紹了，接下來講下GAP間隙鎖。

行鎖能夠防止不一樣事務版本的數據修改提交時形成數據衝突的狀況。但如何避免別的事務插入數據就成了問題。咱們能夠看看RR級別和RC級別的對比

RC級別：

事務A 事務B
begin;

begin;

select id,class_name,teacher_id from class_teacher where teacher_id=30;

id class_name teacher_id
2 初三二班 30

 

  
update class_teacher set class_name='初三四班' where teacher_id=30;

 

 

insert into class_teacher values (null,'初三二班',30);

commit;

select id,class_name,teacher_id from class_teacher where teacher_id=30;

id class_name teacher_id
2 初三四班 30
10 初三二班 30

 

  

RR級別：

事務A 事務B
begin;

begin;

select id,class_name,teacher_id from class_teacher where teacher_id=30;

id class_name teacher_id
2 初三二班 30
 
update class_teacher set class_name='初三四班' where teacher_id=30;

 

 

insert into class_teacher values (null,'初三二班',30);

waiting....

select id,class_name,teacher_id from class_teacher where teacher_id=30;

id class_name teacher_id
2 初三四班 30
 
commit; 事務Acommit後，事務B的insert執行。

經過對比咱們能夠發現，在RC級別中，事務A修改了全部teacher_id=30的數據，可是當事務Binsert進新數據後，事務A發現莫名其妙多了一行teacher_id=30的數據，並且沒有被以前的update語句所修改，這就是「當前讀」的幻讀。

RR級別中，事務A在update後加鎖，事務B沒法插入新數據，這樣事務A在update先後讀的數據保持一致，避免了幻讀。這個鎖，就是Gap鎖。

MySQL是這麼實現的：

在class_teacher這張表中，teacher_id是個索引，那麼它就會維護一套B+樹的數據關係，爲了簡化，咱們用鏈表結構來表達（其實是個樹形結構，但原理相同）

innodb_lock_2

如圖所示，InnoDB使用的是彙集索引，teacher_id身爲二級索引，就要維護一個索引字段和主鍵id的樹狀結構（這裏用鏈表形式表現），並保持順序排列。

Innodb將這段數據分紅幾個個區間

  • (negative infinity, 5],
  • (5,30],
  • (30,positive infinity)；

update class_teacher set class_name='初三四班' where teacher_id=30;不只用行鎖，鎖住了相應的數據行；同時也在兩邊的區間，（5,30]和（30，positive infinity），都加入了gap鎖。這樣事務B就沒法在這個兩個區間insert進新數據。

受限於這種實現方式，Innodb不少時候會鎖住不須要鎖的區間。以下所示：

事務A 事務B 事務C
begin; begin; begin;

select id,class_name,teacher_id from class_teacher;

id class_name teacher_id
1 初三一班

5
2 初三二班 30
   
update class_teacher set class_name='初一一班' where teacher_id=20;    
 

insert into class_teacher values (null,'初三五班',10);

waiting .....

 insert into class_teacher values (null,'初三五班',40);
commit; 事務A commit以後，這條語句才插入成功 commit;
  commit;  

update的teacher_id=20是在(5，30]區間，即便沒有修改任何數據，Innodb也會在這個區間加gap鎖，而其它區間不會影響，事務C正常插入。

若是使用的是沒有索引的字段，好比update class_teacher set teacher_id=7 where class_name='初三八班（即便沒有匹配到任何數據）',那麼會給全表加入gap鎖。同時，它不能像上文中行鎖同樣通過MySQL Server過濾自動解除不知足條件的鎖，由於沒有索引，則這些字段也就沒有排序，也就沒有區間。除非該事務提交，不然其它事務沒法插入任何數據。

行鎖防止別的事務修改或刪除，GAP鎖防止別的事務新增，行鎖和GAP鎖結合造成的的Next-Key鎖共同解決了RR級別在寫數據時的幻讀問題。

###Serializable
這個級別很簡單，讀加共享鎖，寫加排他鎖，讀寫互斥。使用的悲觀鎖的理論，實現簡單，數據更加安全，可是併發能力很是差。若是你的業務併發的特別少或者沒有併發，同時又要求數據及時可靠的話，可使用這種模式。

這裏要吐槽一句，不要看到select就說不會加鎖了，在Serializable這個級別，仍是會加鎖的！

參考資料

 

-----------------------------

Mysql 索引原理及慢查詢優化

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。
本人從13年7月份起，一直在美團核心業務系統部作慢查詢的優化工做，共計十餘個系統，累計解決和積累了上百個慢查詢案例。隨着業務的複雜性提高，遇到的問題千奇百怪，五花八門，匪夷所思。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。

一個慢查詢引起的思考

select
   count(*) 
from
   task 
where
   status=2 
   and operator_id=20839 
   and operate_time>1371169729 
   and operate_time<1371174603 
   and type=2;

系統使用者反應有一個功能愈來愈慢，因而工程師找到了上面的SQL。
而且興致沖沖的找到了我，「這個SQL須要優化，給我把每一個字段都加上索引」
我很驚訝，問道「爲何須要每一個字段都加上索引？」
「把查詢的字段都加上索引會更快」工程師信心滿滿
「這種狀況徹底能夠建一個聯合索引，由於是最左前綴匹配，因此operate_time須要放到最後，並且還須要把其餘相關的查詢都拿來，須要作一個綜合評估。」
「聯合索引？最左前綴匹配？綜合評估？」工程師不由陷入了沉思。
多數狀況下，咱們知道索引可以提升查詢效率，但應該如何創建索引？索引的順序如何？許多人卻只知道大概。其實理解這些概念並不難，並且索引的原理遠沒有想象的那麼複雜。

MySQL索引原理

##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？

##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。

###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：
various-system-software-hardware-latencies
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。

###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。

###詳解b+樹
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。

###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。

###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

回到開始的慢查詢

根據最左匹配原則，最開始的sql語句的索引應該是status、operator_id、type、operate_time的聯合索引；其中status、operator_id、type的順序能夠顛倒，因此我纔會說，把這個表的全部相關查詢都找到，會綜合分析；
好比還有以下查詢

select * from task where status = 0 and type = 12 limit 10;
select count(*) from task where status = 0 ;

那麼索引創建成(status,type,operator_id,operate_time)就是很是正確的，由於能夠覆蓋到全部狀況。這個就是利用了索引的最左匹配的原則

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

幾個慢查詢案例

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。

沒法優化的語句

select
   c.id,
   c.name,
   c.position,
   c.sex,
   c.phone,
   c.office_phone,
   c.feature_info,
   c.birthday,
   c.creator_id,
   c.is_keyperson,
   c.giveup_reason,
   c.status,
   c.data_source,
   from_unixtime(c.created_time) as created_time,
   from_unixtime(c.last_modified) as last_modified,
   c.last_modified_user_id  
from
   contact c  
inner join
   contact_branch cb 
      on  c.id = cb.contact_id  
inner join
   branch_user bu 
      on  cb.branch_id = bu.branch_id 
      and bu.status in (
         1,
      2)  
   inner join
      org_emp_info oei 
         on  oei.data_id = bu.user_id 
         and oei.node_left >= 2875 
         and oei.node_right <= 10802 
         and oei.org_category = - 1  
   order by
      c.created_time desc  limit 0 ,
      10;

仍是幾個步驟
0.先看語句運行多長時間，10條記錄用了13秒，已經不可忍受

10 rows in set (13.06 sec)

1.explain

+----+-------------+-------+--------+-------------------------------------+-------------------------+---------+--------------------------+------+----------------------------------------------+
| id | select_type | table | type   | possible_keys                       | key                     | key_len | ref                      | rows | Extra                                        |
+----+-------------+-------+--------+-------------------------------------+-------------------------+---------+--------------------------+------+----------------------------------------------+
|  1 | SIMPLE      | oei   | ref    | idx_category_left_right,idx_data_id | idx_category_left_right | 5       | const                    | 8849 | Using where; Using temporary; Using filesort |
|  1 | SIMPLE      | bu    | ref    | PRIMARY,idx_userid_status           | idx_userid_status       | 4       | meituancrm.oei.data_id   |   76 | Using where; Using index                     |
|  1 | SIMPLE      | cb    | ref    | idx_branch_id,idx_contact_branch_id | idx_branch_id           | 4       | meituancrm.bu.branch_id  |    1 |                                              |
|  1 | SIMPLE      | c     | eq_ref | PRIMARY                             | PRIMARY                 | 108     | meituancrm.cb.contact_id |    1 |                                              |
+----+-------------+-------+--------+-------------------------------------+-------------------------+---------+--------------------------+------+----------------------------------------------+

從執行計劃上看，mysql先查org_emp_info表掃描8849記錄，再用索引idx_userid_status關聯branch_user表，再用索引idx_branch_id關聯contact_branch表，最後主鍵關聯contact表。
rows返回的都很是少，看不到有什麼異常狀況。咱們在看一下語句，發現後面有order by + limit組合，會不會是排序量太大搞的？因而咱們簡化SQL，去掉後面的order by 和 limit，看看到底用了多少記錄來排序

select
  count(*)
from
   contact c  
inner join
   contact_branch cb 
      on  c.id = cb.contact_id  
inner join
   branch_user bu 
      on  cb.branch_id = bu.branch_id 
      and bu.status in (
         1,
      2)  
   inner join
      org_emp_info oei 
         on  oei.data_id = bu.user_id 
         and oei.node_left >= 2875 
         and oei.node_right <= 10802 
         and oei.org_category = - 1  
+----------+
| count(*) |
+----------+
|   778878 |
+----------+
1 row in set (5.19 sec)

發現排序以前竟然鎖定了778878條記錄，若是針對70萬的結果集排序，將是災難性的，怪不得這麼慢，那咱們能不能換個思路，先根據contact的created_time排序，再來join會不會比較快呢？
因而改形成下面的語句，也能夠用straight_join來優化
select
c.id,
c.name,
c.position,
c.sex,
c.phone,
c.office_phone,
c.feature_info,
c.birthday,
c.creator_id,
c.is_keyperson,
c.giveup_reason,
c.status,
c.data_source,
from_unixtime(c.created_time) as created_time,
from_unixtime(c.last_modified) as last_modified,
c.last_modified_user_id
from
contact c
where
exists (
select
1
from
contact_branch cb
inner join
branch_user bu
on cb.branch_id = bu.branch_id
and bu.status in (
1,
2)
inner join
org_emp_info oei
on oei.data_id = bu.user_id
and oei.node_left >= 2875
and oei.node_right <= 10802
and oei.org_category = - 1
where
c.id = cb.contact_id
)
order by
c.created_time desc limit 0 ,
10;

驗證一下效果 預計在1ms內，提高了13000多倍！
```sql
10 rows in set (0.00 sec)

本覺得至此大工告成，但咱們在前面的分析中漏了一個細節，先排序再join和先join再排序理論上開銷是同樣的，爲什麼提高這麼可能是由於有一個limit！大體執行過程是：mysql先按索引排序獲得前10條記錄，而後再去join過濾，當發現不夠10條的時候，再次去10條，再次join，這顯然在內層join過濾的數據很是多的時候，將是災難的，極端狀況，內層一條數據都找不到，mysql還傻乎乎的每次取10條，幾乎遍歷了這個數據表！
用不一樣參數的SQL試驗下

select
   sql_no_cache   c.id,
   c.name,
   c.position,
   c.sex,
   c.phone,
   c.office_phone,
   c.feature_info,
   c.birthday,
   c.creator_id,
   c.is_keyperson,
   c.giveup_reason,
   c.status,
   c.data_source,
   from_unixtime(c.created_time) as created_time,
   from_unixtime(c.last_modified) as last_modified,
   c.last_modified_user_id    
from
   contact c   
where
   exists (
      select
         1        
      from
         contact_branch cb         
      inner join
         branch_user bu                     
            on  cb.branch_id = bu.branch_id                     
            and bu.status in (
               1,
            2)                
         inner join
            org_emp_info oei                           
               on  oei.data_id = bu.user_id                           
               and oei.node_left >= 2875                           
               and oei.node_right <= 2875                           
               and oei.org_category = - 1                
         where
            c.id = cb.contact_id           
      )        
   order by
      c.created_time desc  limit 0 ,
      10;
Empty set (2 min 18.99 sec)

2 min 18.99 sec！比以前的狀況還糟糕不少。因爲mysql的nested loop機制，遇到這種狀況，基本是沒法優化的。這條語句最終也只能交給應用系統去優化本身的邏輯了。
經過這個例子咱們能夠看到，並非全部語句都能優化，而每每咱們優化時，因爲SQL用例迴歸時落掉一些極端狀況，會形成比原來還嚴重的後果。因此，第一：不要期望全部語句都能經過SQL優化，第二：不要過於自信，只針對具體case來優化，而忽略了更復雜的狀況。

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。

寫在後面的話

本文以一個慢查詢案例引入了MySQL索引原理、優化慢查詢的一些方法論;並針對遇到的典型案例作了詳細的分析。其實作了這麼長時間的語句優化後才發現，任何數據庫層面的優化都抵不上應用系統的優化，一樣是MySQL，能夠用來支撐Google/FaceBook/Taobao應用，但可能連你的我的網站都撐不住。套用最近比較流行的話：「查詢容易，優化不易，且寫且珍惜！」

參考

參考文獻以下： 1.《高性能MySQL》 2.《數據結構與算法分析》

相關文章
相關標籤/搜索
每日一句
    每一个你不满意的现在，都有一个你没有努力的曾经。
本站公眾號
   歡迎關注本站公眾號,獲取更多信息
聯繫我們 最近搜索 最新文章 沪ICP备13005482号-10 MyBatis教程 SQL 教程 MySQL教程 Java 教程 Thymeleaf 教程 Hibernate教程 Spring教程 Redis教程