SQL 优化必懂知识点

向作者提问
小马用车项目负责人,基础架构组成员,兼职mysql dba,拥有多年的互联网项目经验,曾就职于知名互联网公司,擅长数据库优化、架构设计、混编程序架构容错及设计。51cto博客总计访问量23w+,原创文章几百篇。http://blog.51cto.com/2853725
查看本场Chat

1. 基数

单个列唯一键(distict_keys)的数量叫做基数。比如性别列,该列只有男女之分,抛开中性,所以这一列基数就是主键列的基数等于表的总行数。基数的高低影响列的数据分布。

MariaDB [test]> select count(distinct gender),count(distinct phone) from test;
+------------------------+-----------------------+
| count(distinct gender) | count(distinct phone) |
+------------------------+-----------------------+
|                      2 |                     7 |
+------------------------+-----------------------+
1 row in set (0.00 sec)

test 表的总函数是 7,gender 列的基数是 2,说明 gender 列里面有大量重复值,phone 列的基数等于总行数,说明 phone 列没有重复值,相当于主键。gender 列的数据分布如下:

MariaDB [test]> select gender,count(*) from test group by gender order by 2 desc;
+--------+----------+
| gender | count(*) |
+--------+----------+
|      1 |        4 |
|      2 |        3 |
+--------+----------+
2 rows in set (0.00 sec)

gender 列的数据分布极其不均衡,运行如下 SQL。

MariaDB [test]> select * from test where gender=1;
+----+--------+-------------+
| id | gender | phone       |
+----+--------+-------------+
|  1 |      1 | 13054480665 |
|  2 |      1 | 13167007801 |
|  4 |      1 | 13167007803 |
|  6 |      1 | 13167007805 |
+----+--------+-------------+
4 rows in set (0.00 sec)

gender 为 1 有 4 条数据,从 7 条数据里查询 4 条数据,也就是说要返回表中超过 50% 的数据。

MariaDB [test]> select 4/7*100 "percent from dual";
+-------------------+
| percent from dual |
+-------------------+
|           57.1429 |
+-------------------+
1 row in set (0.00 sec)

那么请思考,你认为如上查询应该使用索引?现在我们换一种查询语句。

MariaDB [test]> select * from test where phone='13054480665';
+----+--------+-------------+
| id | gender | phone       |
+----+--------+-------------+
|  1 |      1 | 13054480665 |
+----+--------+-------------+
1 row in set (0.00 sec)

phone 等值条件有 1 条数据,从 7 条数据里查询 1 条数据,也就是说要返回表中 14% 的数据。

MariaDB [test]> select 1/7*100 "percent from dual";
+-------------------+
| percent from dual |
+-------------------+
|           14.2857 |
+-------------------+
1 row in set (0.00 sec)

请思考,返回表中 14% 的数据是否走索引?

如果你还不懂索引,没关系,可以看下笔者其他相关的 chat。如果你回答不了上述问题,我们先提醒一下。当查询结果返回表中 30% 内的数据时,应该走索引(表中数据量小,其实 phone 的等值查询也是);当查询结果返回的是超过表中 30% 数据时,基本会走全表扫描。

当然了,返回表中 30% 内的数据会走索引,返回超过 30% 数据就使用全表扫描,这个结论太绝对了,但其实大多场景下,你先记住这个 30% 这个界限吧。这里之所以让记住 30% 这个界限,是不想让初学者为了答案纠结,其实工作中真返回超过 30% 的数据量,本身业务角度就有问题,尤其在 oltp 业务下。

现在有如下查询语句:

select * from test where gender=:b1;

语句中 :b1 是绑定变量,可以传入任何值,该查询可能走索引也可能走全表扫描。

现在得到一个结论:如果一个列基数很低,该列数据分布不均衡,由于该列数据分布极度不均衡,会导致 SQL 查询可能走索引,也可能走全表扫描。在做 SQL 优化时,如果怀疑该列数据分布不均衡,我们可以使用 select 列,count(*) from 表 group by 列 order by 2 desc 来查看列的数据分布。

如果 SQL 语句是单表访问,可能走索引扫描,也可能走全表扫描,也可能走物理物化视图扫描。在不考虑物理物化视图的情况下,单表访问要么走索引扫描,要么走全表扫描。现在,回忆一下,走索引的条件:返回表中 30% 内的数据要么走索引,要么走全表扫描。相信大家看到这里,已经懂得单表访问的优化方法。

我们来看如下查询:

select * from test where phone=:b1;

不管 phone 传入任何值,都应该走索引。

2. 选择性(SELECTIVITY)

基数与总行数的比值再乘 100% 就是一个列的选择性。

在进行 SQL 优化的时候,单独看列的基数是没有任何意义的,基数相对于总行数才有实际意义,正是这个原因,我们才引出选择性这个概念。

请思考,什么样的列必须建立索引?

有人说基数高的列,有人说在 where 条件中的列。这些答案并不完美。基数高究竟多高?没有和总行数对比,始终不知道有多高。比如一个列的基数是几万行,但是总数是十几亿行,那么这个列的基数还高?这就是引出选择性的根本原因。

对于如下 SQL

select * from test where phone=:b1;

不管 phone 传入任何值,最多返回1条。

什么样的列必须要创建索引呢?当一个列出现在 where 条件中,该列没有创建索引并且选择性大于 20% 时,那么该列必须创建索引,从而提升 SQL 查询性能。当然了,如果表只有几百条数据,那我们就不用创建索引了。

下面抛出 SQL 优化核心的第一个观点:只有大表才会产生性能问题。

也许有人会说:“我有个表很小,只有几百条,但是经常进行 DML,会产生热点块,也会出性能问题。”对此我们并不想过多的讨论,这属于应用程序设计问题,不属于 SQL 优化的范畴。

3. 回表(TABLE ACCESS BY INDEX ROWID)

当对一个列创建索引之后,索引会包含该列的键值及键值对应行所在的 rowid。通过索引中记录的 rowid 访问表中的数据就叫回表。回表一般是单块读,回表次数太多会严重影响 SQL 性能,如果回表次数太多,就不应该走索引扫描,应该直接走全表扫描。

在进行 SQL 优化时,一定要注意回表次数!特别是注意回表的物理 IO 次数。

MariaDB [test]> explain select * from test where gender=1;
+------+-------------+-------+------+---------------+------+---------+------+------+-------------+
| id   | select_type | table | type | possible_keys | key  | key_len | ref  | rows | Extra       |
+------+-------------+-------+------+---------------+------+---------+------+------+-------------+
|    1 | SIMPLE      | test  | ALL  | NULL          | NULL | NULL    | NULL |    7 | Using where |
+------+-------------+-------+------+---------------+------+---------+------+------+-------------+
1 row in set (0.00 sec)

此 SQL 执行计划的 ALL,也就是说全表扫描,但是 select * 需要查询表中所有的列,也就是回表。

在此处,引出 SQL 优化有一核心点:减少回表,也就是网络传输消耗。笔者公司前段时间刚出现大量回表导致小部分用户,使用功能超时。

什么样的 SQL 必须要回表?

select * from test where .......;

这样的 SQL 就必须要回表,所以我们一般禁止使用 select *。那么什么样的 SQL 不需要回表?

select count (*) from test;

这样的 SQL 就无需回表。

当要查询的列也包含在索引中,这个时候就不需要回表,所以我们往往会建立组合索引来消除回表,从而提升性能。

当一个 SQL 有多个过滤条件但是只有一个列或者部分列建立了索引,这个时候回出现回表再过滤,也需要创建组合索引,进而消除回表再过滤,从而提升查询性能。

关于回表有些专业名词,笔者是借用 Oracle 数据中的,其实思想是想通的。

4. 集群因子

集群因子用于判断索引回表需要消耗的物理 IO 次数。

我们先对测试表 test 的 object_id 累创建一个索引 idx_id

create index idx_id on test(object_id);

然后我们查看该索引的集群因子。(基于 Oracle 的)

select onwer,index_name,clustering_factor from dba_indexes where owner="scott" and index_name="IDX_ID';

索引 idx_id 的叶子块中有序存储了索引的键值及键值对应行所在的 rowid。

sql>select * from (select object_id,rowid from test where object_id is not null order by object_id) where rownum<=5;

object_id     rowid

2             AAASNJAAEAAAAAITAAw
3             AAASNJAAEAAAAAITAAf
4             AAASNJAAEAAAAAITAAx
5             AAASNJAAEAAAAAITAAa
6             AAASNJAAEAAAAAITAAV

集群因子的算法如下:

  • 首先我们比较 2、3 对应的 rowid 是否在同一个块,如果在同一个块 clustering_factor+0,如果不在同一个数据块,clustering_factor+1
  • 然后我们比较 3、4 对应的 rowid 是否在同一个数据块,如果在同一个块 clustering_factor+0,如果不在同一个数据块,clustering_factor+1

如上面步骤一样,一直这样有序的比较下去,直到比较完索引中最后一个键值。

根据算法,我们直到集群因子介于表的块数和表的行数之间。

如果集群因子与块数接近,表明表的数据基本上是有序的,而且其顺序基本与索引顺序一致。这样在进行索引范围扫描或者全索引扫描时,回表只需要读取少量的数据块就能完成。

如果集群因子与表记录数接近时,表明表的数据和索引顺序差别很大,在进行索引范围扫描或者索引全扫描的时候,回表会读取更多的数据块。

集群因子只会影响索引范围扫描及索引全扫描,因为只有这两种索引扫描数据会有大量数据回表。

集群因子不会影响索引唯一扫描,因为索引唯一扫描只返回一条数据。集群因子更不会影响索引快速扫描,因为索引快速扫描不回表。

集群因子到底影响的是什么性能?集群因子影响的是索引回表的物理 IO 次数。我们假设索引范围扫描返回了 1000 行数据,如果 buffer cache 中没有缓存表的数据块,假设这 1000 行数据都在同一数据块中,那么回表就需要耗费 1 个物理 IO;假设这 1000 行数据都在不同的数据块中,那么回表就需要消耗 1000 个物理 IO。因此集群因子影响索引回表的物理 IO 次数。

请注意,不要尝试重建索引来降低集群因子,这根本没用,因为表中的数据顺序始终没变。唯一能降低集群因子的办法就是根据索引列排序对表进行重建 (creeate table new_table as select * from old_table order by 索引列),但是这在实际操作中是不可取的,因为我们无法照顾到每一个索引。

怎么才能避免集群因子对 SQL 查询性能产生影响?集群因子只影响索引范围扫描和索引全扫描。当索引范围扫描,索引全扫描不回表或者返回数据量很少的时候,不管集群因子多大,对SQL查询性能几乎不受影响。

重点强调一下,在进行 SQL 优化时,大多会建立合适的组合索引消除回表,或者建立组合索引尽量减少回表次数。

5. 表与表之间的关系

关系数据库中,表与表之间会进行关联,在进行关联的时候,我们一定要清楚表与表之间的关系。表与表之间存在三种关系。一种是 1:1,一种是 1:n,最后一种是 n:n 关系。搞懂表与表之间的关系,对于 SQL 优化、SQL 等价改写、表设计及分表分库都有帮助。

两表再进行关联的时候,如果两表属于 1:1 关系,关联之后返回的机构也属于 1:1 的关系,数据不会重复。如果两表属于 1:n 关系,关联之后的结果集属于 1:n 的关系。如果两表属于 n:n 关系,关联之后的结果集会产生局部的笛卡尔积,n:n 关系一般不存在内 / 外连接中,只能存在于半连接或者反连接中。

如果我们不知道业务,不知道数据字典,怎么判断两表是什么关系?我们用下面 SQL:

select * from emp e,dept d where e.deptno=d.deptno;

我们只需要对两表进行汇总就可以知道两表什么关系:

select deptno,count(*) from emp group by deptno order by 2 desc;

select deptno,count(*) from dept group by deptno order by 2 desc;

从上面 SQL 的结果集发现,emp 和 dept 是 n:1 的关系。搞清楚表与表之间的关系对于 SQL 优化很有用,这是最基本的,也是应用程序设计的基础。

总之所述知识点都是 SQL 优化的基础点,更是一个应用程序开发的基础,如果连基数、表关系等都不懂,盲目去做业务开发和表设计,基本是灾难,在笔者公司的技术人员里,不少资深应用程序开发老司机设计表简直就是瞎玩,SQL 出现慢就只知道加索引,压根不看基数,连那种状态值的列也加。本来就是大表,经常查询的状态值得结果集都是超过 30%。程序研发是操作数据,可是数据相关的基础都没有,纵使你换最牛逼的语言也是歇菜。笔者一直比较喜欢一句话,尤其是做技术:“基础的扎实程度决定你走多远”。希望看完本文的小伙伴,能多多交流。


本文首发于GitChat,未经授权不得转载,转载需与GitChat联系。

纵享新丝滑
刚开始读就看到很多错别字
大水怪
写的不是很容易懂
奋斗: 有些概念,可以去看下数据库系统内幕或者oracle 、mysql入门的书,如有不懂,可以直接留言
Joyven
错别字太多,语句表述很有歧义。作者能不能修改一下,大家都是很认真的来学习的,但是有歧义的话,很难理解。
奋斗: 你感觉那些有歧义,可以直接问的哟
错别字很多,感觉帮助不太大
IT小香猪
了解一下还是有好处的
马扎学长
直接看这篇的确是看不太懂
奋斗: 有基础的小伙伴哟
木水云
您好,请教您一个问题,我怎么判断一个sql语句执行缓慢是由于网络原因造成的?
微信扫描登录