你真的瞭解「SQL」嗎？《SQL優化最佳實踐》做者帶你從新瞭解SQL

1、SQL ：一種熟悉又陌生的編程語言

這裏有幾個關鍵詞；「熟悉」、「陌生」、「編程語言」。

說它「熟悉」，是由於它是DBA和廣大開發人員，操做數據庫的主要手段，幾乎天天都在使用。說它「陌生」，是不少人只是簡單的使用它，至於它是怎麼工做的？如何才能讓它更高效的工做？卻歷來沒有考慮過。

這裏把SQL歸結爲一種「編程語言」，可能跟不少人對它的認知不一樣。讓咱們看看它的簡單定義（如下內容摘自百度百科）

結構化查詢語言(Structured Query Language)，簡稱SQL，是一種特殊目的的編程語言，是一種數據庫查詢和程序設計語言，用於存取數據以及查詢、更新和管理關係數據庫系統。結構化查詢語言是高級的非過程化編程語言，容許用戶在高層數據結構上工做。它不要求用戶指定對數據的存放方法，也不須要用戶瞭解具體的數據存放方式，因此具備徹底不一樣底層結構的不一樣數據庫系統, 可使用相同的結構化查詢語言做爲數據輸入與管理的接口。結構化查詢語言語句能夠嵌套，這使它具備極大的靈活性和強大的功能。

總結一句話，SQL是一種非過程化的的編程語言，可經過它去訪問關係型數據庫系統。

2、你真的瞭解「SQL」嗎？

下面我會經過一個小例子，看看你們是否真正瞭解SQL。

這是一個很簡單的示例，是關於SQL語句執行順序的。這裏將一個普通的SELECT語句，拆分爲三個子句。那麼在實際的執行過程當中，是按照什麼順序處理的呢？這裏有A-F六個選項，你們能夠思考選擇一下…

最終的答案是D，即按照先執行FROM子句，而後WHERE子句，最後是SELECT部分。

針對上面的示例，讓咱們真實構造一個場景，經過查看執行計劃看看是否按照咱們選擇的順序執行的。關於執行計劃的判讀，我後面會專門談到。這裏我先解釋一下整個執行過程。

• 第一步，是按照全表掃描的方式訪問了對象表(EMP)。對應於語句中的FROM部分。
• 第二步，是對提取出的結果集進行了過濾(filter部分)，即將知足條件的記錄篩選出來。對應於語句中的WHERE部分。
• 第三步，是對知足條件的記錄進行字段投射，即將須要顯示的字段提取出來。對應於語句中的SELECT部分。

這是一個詳細的SQL各部分執行順序的說明。

經過對執行順序的理解，能夠爲咱們將來的優化工做帶來很大幫助。一個很淺顯的認識就是，優化動做越靠前越好。

3、SQL如今是否仍然重要？

這裏引入了一個新的問題，在現有階段SQL語言是否還重要？

之因此引入這一話題，是由於隨着NOSQL、NEWSQL、BIGDATA等技術逐步成熟推廣，「SQL語言在現階段已經變得不那麼重要」成爲一些人的觀點。那實際狀況又是如何呢？

讓咱們先來看一張經典的圖。圖中描述了傳統SMP架構的關係型數據庫、MPP架構的NEWSQL、MPP架構的NoSQL不一樣方案的適用場景對比。

從上面的「數據價值密度、實時性」來看，傳統關係型數據庫適合於價值密度更高、實時性要求更高的場景（這也就不難理解相似帳戶、金額類信息都是保存在傳統關係型數據庫中）；MPP架構的NewSQL次之，MPP架構的NoSQL更適合於低價值、實時性要求不高的場景。

從下面的「數據規模」來看，傳統關係型數據庫適合保存的大小限制在TB級別，然後二者可在更大尺度上(PB、EB)級保存數據。

從下面的「典型場景」來看，傳統關係型數據庫適合於OLTP在線交易系統；MPP架構的NewSQL適合於OLAP在線分析系統；而NoSQL的使用場景較多(利於KV型需求、數據挖掘等都可以考慮)。

最後從「數據特徵」來看，前二者適合於保存結構化數據，後者更適合於半結構化、乃至非結構化數據的保存。

概括一下，不一樣技術有其各自特色，不存在誰代替誰的問題。傳統關係型數據庫有其自身鮮明特色，在某些場合依然是不二選擇。而做爲其主要交互語言，SQL必然長期存在發展下去。

咱們再來對比一下傳統數據庫與大數據技術。從數據量、增加型、多樣化、價值等維度對比兩種技術，各自有其適用場景。

對於大數據領域而言，各類技術層出不窮。但對於廣大使用者來講，每每會存在必定的使用門檻，所以如今的一種趨勢就是在大數據領域也引入「類SQL」，以相似SQL的方式訪問數據。這對於廣大使用者來講，無疑大大下降了使用門檻。

解答一些疑問：

NoSQL、NewSQL已經超越了傳統數據庫，SQL沒有了用武之地！

各類技術有着各自適合的不一樣場景，不能一律而論。SQL語言做爲關係型數據庫的主要訪問方式，依然有其用武之地。

之後都是雲時代了，誰還用關係型數據庫！

對於價值密度高，嚴格一致性的場景，仍然適合採用關係型數據庫做爲解決方案。

我編程都是用OR Mapping工具，從不須要寫SQL！

的確，引入OR Mapping工具大大提升了生產效率，可是它的反作用也很明顯，那就是對語句的運行效率失去了控制。不少低效的語句，每每是經過工具直接生成的。這也是爲何有的Mapping工具還提供了原始的SQL接口，用來保證關鍵語句的執行效率。

大數據時代，咱們都用Hadoop、Spark了，不用寫SQL啦！

不管是使用Hadoop、Spark都是能夠經過編寫程序完成數據分析的，但其生產效率每每很低。這也是爲何產生了Hive 、Spark SQL等「類SQL」的解決方案來提升生產效率。

數據庫處理能力很強，不用太在乎SQL性能！

的確，隨着多核CPU、大內存、閃存等硬件技術的發展，數據庫的處理能力較之前有了很大的加強。可是SQL的性能依然很重要。後面咱們能夠看到，一個簡單SQL語句就能夠輕易地搞垮一個數據庫。

SQL優化，找DBA就好了，我就不用學了!

SQL優化是DBA的職責範疇，但對於開發人員來說，更應該對本身的代碼負責。若是能在開發階段就注重SQL質量，會避免不少低級問題。

我只是個運維DBA，SQL優化我不行！

DBA的發展可分爲「運維DBA->開發DBA->數據架構師…」。若是隻能完成數據庫的運維類工做，無疑是技能的欠缺，也是對各人將來發展不利。何況，隨着Paas雲的逐步推廣，對於數據庫的運維需求愈來愈少，對於優化、設計、架構的要求愈來愈多。所以，SQL優化是每一個DBA必須掌握的技能。

如今優化有工具了，很簡單的！

的確如今有些工具能夠爲咱們減小些優化分析工做，會自動給出一些優化建議。可是，做爲DBA來說，不只要知其然，還要知其因此然。何況，數據庫優化器自己就是一個很是複雜的組件，很難作到徹底無誤的優化，這就須要人工的介入，分析。

優化不就是加索引嘛，這有啥！

的確，加索引是一個很是經常使用的優化手段，但其不是惟一的。且不少狀況下，加了索引可能致使性能更差。後面，會有一個案例說明。

4、SQL仍然很重要！

咱們經過一個示例，說明一下理解SQL運行原理仍然很重要。

這是我在生產環境碰到的一個真實案例。Oracle數據庫環境，兩個表作關聯。執行計劃觸目驚心，優化器評估返回的數據量爲3505T條記錄，計劃返回量127P字節，總成本9890G，返回時間999:59:59。

從執行計劃中可見，兩表關聯使用了笛卡爾積的關聯方式。咱們知道笛卡爾鏈接是指在兩錶鏈接沒有任何鏈接條件的狀況。通常狀況下應儘可能避免笛卡爾積，除非某些特殊場合。不然再強大的數據庫，也沒法處理。這是一個典型的多表關聯缺少鏈接條件，致使笛卡爾積，引起性能問題的案例。

從案例自己來說，並無什麼特別之處，不過是開發人員疏忽，致使了一條質量不好的SQL。但從更深層次來說，這個案例能夠給咱們帶來以下啓示：

• 開發人員的一個疏忽，形成了嚴重的後果，原來數據庫竟是如此的脆弱。須要對數據庫保持一種"敬畏"之心。
• 電腦不是人腦，它不知道你的需求是什麼，只能用寫好的邏輯進行處理。
• 不要去責怪開發人員，誰都會犯錯誤，關鍵是如何從制度上保證再也不發生相似的問題。

5、SQL優化法則

下面咱們來看看常見的優化法則。這裏所說的優化法則，實際上是指能夠從那些角度去考慮SQL優化的問題。能夠有不少種方式去看待它。下面列舉一二。

這裏來自阿里-葉正盛的一篇博客裏的一張圖，相信不少人都看過。這裏提出了經典的漏斗優化法則，高度是指咱們投入的資源，寬度是指可能實現的收益。從圖中可見，「減小數據訪問」是投入資源最少，而收益較多的方式；「增長硬件資源」是相對投入資源最多，而收益較少的一種方式。受時間所限，這裏不展開說明了。

這是我總結的一個優化法則，簡稱爲「DoDo」法則。

第一條，「Do Less or not do!」翻譯過來，就是儘可能讓數據庫少作工做、甚至不作工做。

怎麼樣來理解少作工做呢？好比建立索引每每能夠提升訪問效率，其原理就是將原來的表掃描轉換爲索引掃描，經過一個有序的結構，只須要少許的IO訪問就能夠獲得相應的數據，所以效率才比較高。這就能夠概括爲少作工做。

怎麼樣來理解不作工做呢？好比在系統設計中常見的緩存設計，不少是將原來須要訪問數據庫的狀況，改成訪問緩存便可。這樣既提升了訪問效率，又減小了數據庫的壓力。從數據庫角度來講，這就是典型的不作工做。

第二條，「If must do,do it fast!」翻譯過來，若是數據庫必須作這件事件，那麼請儘快作完它。

怎麼樣來理解這句話呢？好比數據庫裏常見的並行操做，就是經過引入多進程來加速原來的執行過程。加速處理過程，能夠少佔用相關資源，提升系統總體吞吐量。

6、SQL 執行過程

SQL的執行過程比較複雜，不一樣數據庫有必定差別。下面介紹以兩種主流的數據庫（Oracle、MySQL）介紹一下。

• 用戶提交了一條SQL語句
• 數據庫按照SQL語句的字面值計算出一個HASH值
• 根據HASH值，判斷一下在數據庫緩衝區中是否存在此SQL的執行計劃。
• 若是不存在，則須要生成一個執行計劃(硬解析過程)，而後將結果存入緩衝區。
• 若是存在的話，判斷是否爲相同SQL（一樣HASH值的語句，可能字符不相同；即便徹底相同，也可能表明不一樣的語句。這塊不展開說了）
• 確認是同一條SQL語句，則從緩衝區中取出執行計劃。
• 將執行計劃，交給執行器執行。
• 結果返回給客戶端。

• 客戶提交一條語句
• 如今查詢緩存查看是否存在對應的緩存數據，若有則直接返回(通常有的可能性極小，所以通常建議關閉查詢緩存)。
• 交給解析器處理，解析器會將提交的語句生成一個解析樹。
• 預處理器會處理解析樹，造成新的解析樹。這一階段存在一些SQL改寫的過程。
• 改寫後的解析樹提交給查詢優化器。查詢優化器生成執行計劃。
• 執行計劃交由執行引擎調用存儲引擎接口，完成執行過程。這裏要注意，MySQL的Server層和Engine層是分離的。
• 最終的結果有執行引擎返回給客戶端，若是開啓查詢緩存的話，則會緩存。

7、SQL優化器

在上面的執行過程描述中，屢次提升了優化器。它也是數據庫中最核心的組件。下面咱們來介紹一下優化器。

上面是我對優化器的一些認識。優化器是數據庫的精華所在，值得DBA去認真研究。可是遺憾的是，數據庫對這方面的開放程度並不夠。（相對來講，Oracle仍是作的不錯的）

這裏咱們看到的MySQL的優化器的工做過程，大體經歷了以下處理：

• 詞法分析、語法分析、語義檢查
• 預處理階段(查詢改寫等)
• 查詢優化階段(可詳細劃分爲邏輯優化、物理優化兩部分)
• 查詢優化器優化依據，來自於代價估算器估算結果(它會調用統計信息做爲計算依據)
• 交由執行器執行

此圖是DBAplus社羣MySQL原創專家李海翔對比不一樣數據庫優化器技術所總結的。從這裏能夠看出：

• 不一樣數據庫的實現層次不一樣，有些支持、有些不支持
• 即便支持，其實現原理也差別很大
• 這只是列出了一小部分優化技術
• 以上對比，也能夠解釋不一樣數據庫對一樣語句的行爲不一樣。下面會有一個示例說明

8、SQL 執行計劃

看懂執行計劃是DBA優化的前提之一，它爲咱們開啓一扇通往數據庫內部的窗口。可是很遺憾，從沒有一本書叫作「如何看懂執行計劃」，這裏的狀況很是複雜，不少是須要DBA常年積累而成。

這是Oracle執行計劃簡單的示例，說明了執行計劃的大體內容。

9、案例分享

前面講了不少理論內容，下面經過幾個案例說明一下。方便你們對前面內容的理解。

案例1：數據庫對比

第一個例子，是一個優化器行爲的對比案例。示例對比了三種數據庫（四種版本）對於一樣語句的行爲。經過這個例子，你們能夠了解，不一樣數據庫（乃至不一樣版本）優化器的行爲不一樣。對於數據庫選型、數據庫升級等工做，要作到充分的評估測試，也正是出於此目的。

簡單構造了兩張測試表，主要注意的是前一個字段是包含空值的。

第一種狀況，是對於IN子查詢的處理。對於Oracle來講，10g、11g行爲相同，這裏就列了一個。

對於這樣的一個例子，不一樣數據庫已經表現出不一樣的差別。Oracle和PG的行爲相似，MySQL因爲不支持哈希鏈接，所以採用了其餘處理方式。具體的技術細節，這裏不展開說明了。

第二種狀況，是對於NOT IN子查詢的處理。這種狀況下，Oracle的不一樣版本、PG和MySQL表現出不一樣的行爲。從上面例子能夠看出，11g的優化器在處理此種狀況是更加智能一些。

案例2：解決「ERP匯單慢」問題

這裏我構造了相似的結構，模擬了上線的狀況。

示例是一個關聯子查詢，其核心部分是轉化爲一個表關聯，並使用了嵌套循環的一個變體-Filter實現關聯方式。顯然，若是外層表過大或內層探查效率太低，其執行效率可想而知。一般來講，兩表關聯，嵌套循環是最後的一種選擇，若是能使用其餘方式（例如HASH JOIN、SORT MERGE）可能會帶來更好的效果。

這裏優化器沒有選擇更優的計劃，是優化器的Bug？仍是功能所限？可經過人工手段干預，看看是否能達到意向不到的效果。

引入了一個Hint-unnest，主動實現子查詢的解嵌套。將子查詢部分提早，讓優化器有了更多的選擇。從執行計劃來看，優化器生成了一個內聯視圖，而後跟外部表實現了一個哈希鏈接，總體效率大大提升。

這個示例說明，優化器的功能仍是有所侷限。在某些場合，能夠人工干預語句的執行，提高總體執行效率。

案例3：處理「ERP清理數據」問題

下面這個示例，是由於結構設計不良致使的問題。

在平常的優化中，咱們每每遵循着「語句級、對象級、架構級、業務級」的順序考慮優化策略。但在項目需求、設計階段，是按照反向的順序進行。後者的影響力要遠遠大於前者。一個糟糕的對象結構設計，可能會帶來一系列SQL的問題。示例中，就是這樣的一個問題。

這是某公司後臺的ERP系統，系統已經上線運行了10多年。隨着時間的推移，累積的數據量愈來愈大。公司計劃針對部分大表進行數據清理。在DBA對某個大表進行清理中，出現了問題。這個表自己有數百G，按照指定的清理規則只須要根據主鍵字段範圍(>=)選擇出必定比例(不超過10%)的數據進行清理便可。但在實際使用中發現，該SQL的是全表掃描，執行時間大大超出預期時間。DBA嘗試使用強制指定索引方式清理數據，依然無效。

這套ERP系統歷史好久遠，相關信息已經找不到了。只能從純數據庫的角度進行分析，這是一個普通表（非分區表）按照主鍵字段的範圍查詢一批記錄進行清理。按照正常理解，執行索引範圍掃描應該是效率較高的一種處理方式，但實際狀況確實全表掃描。進一步分析發現，該表的主鍵是沒有業務含義的，僅僅是自增加的數據，其來源是一個序列。但奇怪的是，這個主鍵字段的類型是變長文本類型，而不是一般的數字類型。如今已經無從考證，當初定義該字段類型的依據，但實驗代表正是這個字段的類型「異常」，致使了錯誤的執行路徑。

下面構造了一個測試環境。

能夠很好的復現案例的問題。選擇少範圍數據，文本方式依然走的全表掃描，數字方式走的索引掃描。效率高低，顯而易見。

你們頭腦中能夠構想出一棵索引樹結構，對於字符串來講，這個有序的結構該如何存放？是與你預期同樣的嗎？

知道了問題所在，該如何處理呢？修改結構無疑成本過高，不具有可操做性。這裏所採起的策略是「局部有序」。利用修改語句中條件的範圍，由開放區間變爲封閉區間，影響基數的選擇。（關於這部分，你們有興趣可多看看《基於成本的Oracle優化》一書）

如仍然不起做用，可考慮進一步細化分段或乾脆採用「逐條提取+批綁定」的方式解決。

一個小小的數據類型設置不當，會爲咱們後面的工做帶來的多大的麻煩。

案例4： 「抽絲剝繭」找出問題所在

這裏會描述一次完整的優化過程，看看DBA是如何「抽絲剝繭」，發現問題本質的。

這個案例自己不是爲了說明某種技術，而是展示了DBA在分析處理問題時的一種處理方式。其採用的方法每每是根據本身掌握的知識，分析判斷某種可能性，而後再驗證確認是不是這個緣由。在不斷的拋出疑問，不斷的驗證糾錯中，逐步接近問題的本質。

也想經過這個示例，告知廣大開發人員，DBA優化語句的不容易。

這是某數據倉庫系統，有一個做業在某天出現較大延遲。爲了避免影響明天的業務系統，必須在今天解決這個問題。經和開發人員的溝通，該業務的SQL語句沒有修改，相關的數據結構也沒有變動相相似的其餘業務（SQL語句類似的）也都正常運行，數據庫系統自己也沒有異常。

修改後執行計劃，跟其餘相似SQL相同了。整個計劃可概述爲」HASH JOIN」 + 「FULL TABLE SCAN」。經測試，速度略有提高，可是整個運行時間仍然超過2個小時。

開始了第一次嘗試，開始想到的方法很簡單，既然相似的SQL執行效率沒問題，而這個SQL因爲其餘SQL執行計劃誤差較大，我能夠手工採起固化執行計劃的方法。這裏使用了抽取OUTLINE的方式。經測試，對速度提高不大，不知問題主因。

第二次嘗試，從等待事件角度入手。首先考慮的是和緩存有關的問題。

不要盲目相信別人的話，優化以前先按照故有流程檢驗一遍，作到心中有數。對於此例來講，能夠大大加快問題的解決。

Q&A

Q1：ANSI 的SQL標準，會一直推出新版本嗎？ 後續版本是否會加入新的語法和特性呢？

A1：這個問題沒有仔細考慮過，ANSI-SQL的標準一直在變化，不一樣的數據庫根據自身狀況實現了它的子集。從我我的角度來看，將來ANSI-SQL可能會對大數據、數據挖掘方向有所考慮，加入部分新語法或特性。畢竟SQL接口做爲人們最爲熟悉的數據訪問接口，將來在大數據等方向大有可爲。

Q2：優化SQL最終的目的是否是改變SQL執行計劃?

A2：第一目的，是理解現有優化器選擇的行爲，並考慮是不是最佳選擇。第二目的，是在優化器功能有所侷限的狀況下，經過人工介入的方式，讓數據庫以更優的方式執行SQL。畢竟人要比電腦更理解數據。

Q3：能不能介紹一下開發中，數據類型的選擇對數據庫的影響？

A3：數據類型在優化層面，主要可從如下角度考慮：

選擇「合適」的類型存儲數據。注意，這裏使用的詞是「合適」，要確保精度、夠用、不浪費的原則。

數據類型在數據庫自身存儲、計算上的特性，不一樣類型的效率是不一樣的。

類型間要作到兼容，保證關聯字段的類型一致性。

Q4：能不能介紹下oracle數據遷移的經常使用方式和利弊？

A4：這個有不少，取決於遷移的需求，好比經常使用的：

1.備份、恢復；2.邏輯導入、導出(含傳輸表空間等)；3.DATAGUARD；4.LOG SYNC（例如OGG等）；5.程序同步……利弊，主要取決於成本、代價了，每種方案都有自身的適用場景。

Q5：請問必須全表掃描的語句有什麼優化思路？

A5：必須用全表掃描的狀況，就適用於分享中的「DoDo」原則第二條，儘可能讓其更快的完成。可考慮的策略有：

• DIRECT PATH READ
• 加大MULTI BLOCK READ COUNT
• 啓用PARALLEL
• 更好的IO

Q6：對於group by語句如何優化?

A6：對於分組來講，Oracle 11g之後的版本提供了HASH GROUP BY的實現。HASH是個重內存消耗操做，可從內存使用角度基於優化考慮。

Q7：訪問路徑是會緩存起來的，怎麼判斷回收沒用的緩存中的訪問路徑呢？

A7：通常不須要考慮回收問題，若是非要作可從內存信息中瞭解此執行計劃是否最近被使用，使用DBMS包清除便可。

Q8：oracle發如今雲機上安裝以後，在併發性方面不行，這是爲何？

A8：不一樣雲的實現策略不一樣。併發性方面，可考慮從vCPU使用、IO等方面着手。這方面經驗很少，抱歉！

Q9：全表掃描想辦法修改成索引全表掃描是否合適？使用with子句來優化sql，這個手段如何?

A9：將全表掃描修改成索引全掃描，根本原則是可以縮小訪問量，即讓數據庫幹更少的活。

WITH子句，定義查詢塊，一個目的是減小屢次引用，但也有可能出現不容許執行查詢語句變形的狀況，要具體分狀況分析。

做者：韓鋒

DBAplus社羣分享

內容來源：宜信技術學院