首页 > 其他分享 >第三十四讲:join语句怎么优化?

第三十四讲:join语句怎么优化?

时间:2024-11-05 20:19:09浏览次数:3  
标签:语句 join t2 t3 第三十四 索引 t1

第三十四讲:join语句怎么优化?

简概:

万年不变的开头

​ 在上一篇文章中,我和你介绍了 join 语句的两种算法,分别是 Index Nested-Loop Join(NLJ) 和 Block Nested-Loop Join(BNL)。我们发现在使用 NLJ 算法的时候,其实效果还是不错的,比通过应用层拆分成多个语句然后再拼接查询结果更方便,而且性能也不会差。

​ 但是,BNL 算法在大表 join 的时候性能就差多了,比较次数等于两个表参与 join 的行数的乘积,很消耗 CPU 资源。当然了,这两个算法都还有继续优化的空间,我们今天就来聊聊这个话题。

​ 为了便于分析,我还是创建两个表 t1、t2 来和你展开今天的问题。

create table t1(id int primary key, a int, b int, index(a));
create table t2 like t1;
drop procedure idata;
delimiter ;;
create procedure idata()
begin
  declare i int;
  set i=1;
  while(i<=1000)do
    insert into t1 values(i, 1001-i, i);
    set i=i+1;
  end while;
  
  set i=1;
  while(i<=1000000)do
    insert into t2 values(i, i, i);
    set i=i+1;
  end while;

end;;
delimiter ;
call idata();

​ 为了便于后面量化说明,我在表 t1 里,插入了 1000 行数据,每一行的 a=1001-id 的值。也就是说,表 t1 中字段 a 是逆序的。同时,我在表 t2 中插入了 100 万行数据。

Multi-Range Read 优化

​ 在介绍 join 语句的优化方案之前,我需要先和你介绍一个知识点,即:Multi-Range Read 优化 (MRR)。这个优化的主要目的是尽量使用顺序读盘。

​ 在第 4 篇文章中,我和你介绍 InnoDB 的索引结构时,提到了“回表”的概念。我们先来回顾一下这个概念。

回表是指,InnoDB 在普通索引 a 上查到主键 id 的值后,再根据一个个主键 id 的值到主键索引上去查整行数据的过程。

​ 然后,有同学在留言区问到,回表过程是一行行地查数据,还是批量地查数据?我们先来看看这个问题。

​ 假设,我执行这个语句:

select * from t1 where a>=1 and a<=100;

​ 主键索引是一棵 B+ 树,在这棵树上,每次只能根据一个主键 id 查到一行数据。因此,回表肯定是一行行搜索主键索引的,基本流程如图 1 所示。


图 1 基本回表流程

​ 如果随着 a 的值递增顺序查询的话,id 的值就变成随机的,那么就会出现随机访问,性能相对较差。虽然“按行查”这个机制不能改,但是调整查询的顺序,还是能够加速的。

​ 因为大多数的数据都是按照主键递增顺序插入得到的,所以我们可以认为,如果按照主键的递增顺序查询的话,对磁盘的读比较接近顺序读,能够提升读性能。这,就是 MRR 优化的设计思路。

​ 此时,语句的执行流程变成了这样:

  1. 根据索引 a,定位到满足条件的记录,将 id 值放入 read_rnd_buffer 中 ;
  2. 将 read_rnd_buffer 中的 id 进行递增排序;
  3. 排序后的 id 数组,依次到主键 id 索引中查记录,并作为结果返回。

read_rnd_buffer:MySQL的随机读缓冲区。当按任意顺序读取行时(例如按照排序顺序)将分配一个随机读取缓冲区,进行排序查询时,MySQL会首先扫描一遍该缓冲,以避免磁盘搜索,提高查询速度。

​ 这里,read_rnd_buffer 的大小是由 read_rnd_buffer_size 参数控制的。

​ 如果步骤 1 中,read_rnd_buffer 放满了,就会先执行完步骤 2 和 3,然后清空 read_rnd_buffer。之后继续找索引 a 的下个记录,并继续循环。

​ 另外需要说明的是,如果你想要稳定地使用 MRR 优化的话,需要设置set optimizer_switch="mrr_cost_based=off"。(官方文档的说法,是现在的优化器策略,判断消耗的时候,会更倾向于不使用 MRR,把 mrr_cost_based 设置为 off,就是固定使用 MRR 了。)

​ 下面两幅图就是使用了 MRR 优化后的执行流程和 explain 结果。


图 2 MRR 执行流程

图 3 MRR 执行流程的 explain 结果

​ 从图 3 的 explain 结果中,我们可以看到 Extra 字段多了 Using MRR,表示的是用上了 MRR 优化。而且,由于我们在 read_rnd_buffer 中按照 id 做了排序,所以最后得到的结果集也是按照主键 id 递增顺序的,也就是与图 1 结果集中行的顺序相反。

​ 到这里,我们小结一下。MRR 能够提升性能的核心在于,这条查询语句在索引 a 上做的是一个范围查询(也就是说,这是一个多值查询),可以得到足够多的主键 id。这样通过排序以后,再去主键索引查数据,才能体现出“顺序性”的优势。

​ Batched Key Access理解了 MRR 性能提升的原理,我们就能理解 MySQL 在 5.6 版本后开始引入的 Batched Key Access(BKA) 算法了。这个 BKA 算法,其实就是对 NLJ 算法的优化。我们再来看看上一篇文章中用到的 NLJ 算法的流程图:


图 4 Index Nested-Loop Join 流程图

​ NLJ 算法执行的逻辑是:从驱动表 t1,一行行地取出 a 的值,再到被驱动表 t2 去做 join。也就是说,对于表 t2 来说,每次都是匹配一个值。这时,MRR 的优势就用不上了。那怎么才能一次性地多传些值给表 t2 呢?方法就是,从表 t1 里一次性地多拿些行出来,一起传给表 t2。

​ 既然如此,我们就把表 t1 的数据取出来一部分,先放到一个临时内存。这个临时内存不是别人,就是 join_buffer。通过上一篇文章,我们知道 join_buffer 在 BNL 算法里的作用,是暂存驱动表的数据。但是在 NLJ 算法里并没有用。那么,我们刚好就可以复用 join_buffer 到 BKA 算法中。

​ 如图 5 所示,是上面的 NLJ 算法优化后的 BKA 算法的流程。


图 5 Batched Key Access 流程

​ 图中,我在 join_buffer 中放入的数据是 P1~P100,表示的是只会取查询需要的字段。当然,如果 join buffer 放不下 P1~P100 的所有数据,就会把这 100 行数据分成多段执行上图的流程。

​ 那么,这个 BKA 算法到底要怎么启用呢?如果要使用 BKA 优化算法的话,你需要在执行 SQL 语句之前,先设置

set optimizer_switch='mrr=on,mrr_cost_based=off,batched_key_access=on';

​ 其中,前两个参数的作用是要启用 MRR。这么做的原因是,BKA 算法的优化要依赖于 MRR。BNL 算法的性能问题说完了 NLJ 算法的优化,我们再来看 BNL 算法的优化。

​ 我在上一篇文章末尾,给你留下的思考题是,使用 Block Nested-Loop Join(BNL) 算法时,可能会对被驱动表做多次扫描。如果这个被驱动表是一个大的冷数据表,除了会导致 IO 压力大以外,还会对系统有什么影响呢?

​ 在第 33 篇文章中,我们说到 InnoDB 的 LRU 算法的时候提到,由于 InnoDB 对 Bufffer Pool 的 LRU 算法做了优化,即:第一次从磁盘读入内存的数据页,会先放在 old 区域。如果 1 秒之后这个数据页不再被访问了,就不会被移动到 LRU 链表头部,这样对 Buffer Pool 的命中率影响就不大。

​ 但是,如果一个使用 BNL 算法的 join 语句,多次扫描一个冷表,而且这个语句执行时间超过 1 秒,就会在再次扫描冷表的时候,把冷表的数据页移到 LRU 链表头部。这种情况对应的,是冷表的数据量小于整个 Buffer Pool 的 3/8,能够完全放入 old 区域的情况。

​ 如果这个冷表很大,就会出现另外一种情况:业务正常访问的数据页,没有机会进入 young 区域。由于优化机制的存在,一个正常访问的数据页,要进入 young 区域,需要隔 1 秒后再次被访问到。但是,由于我们的 join 语句在循环读磁盘和淘汰内存页,进入 old 区域的数据页,很可能在 1 秒之内就被淘汰了。

​ 这样,就会导致这个 MySQL 实例的 Buffer Pool 在这段时间内,young 区域的数据页没有被合理地淘汰。

​ 也就是说,这两种情况都会影响 Buffer Pool 的正常运作

大表 join 操作虽然对 IO 有影响,但是在语句执行结束后,对 IO 的影响也就结束了。但是,对 Buffer Pool 的影响就是持续性的,需要依靠后续的查询请求慢慢恢复内存命中率。

​ 为了减少这种影响,你可以考虑增大 join_buffer_size 的值,减少对被驱动表的扫描次数

​ 也就是说,BNL 算法对系统的影响主要包括三个方面:

  1. 可能会多次扫描被驱动表,占用磁盘 IO 资源;
  2. 判断 join 条件需要执行 M*N 次对比(M、N 分别是两张表的行数),如果是大表就会占用非常多的 CPU 资源;
  3. 可能会导致 Buffer Pool 的热数据被淘汰,影响内存命中率。

​ 我们执行语句之前,需要通过理论分析和查看 explain 结果的方式,确认是否要使用 BNL 算法。如果确认优化器会使用 BNL 算法,就需要做优化。优化的常见做法是,给被驱动表的 join 字段加上索引,把 BNL 算法转成 BKA 算法。

​ 接下来,我们就具体看看,这个优化怎么做?

BNL 转 BKA

​ 一些情况下,我们可以直接在被驱动表上建索引,这时就可以直接转成 BKA 算法了。但是,有时候你确实会碰到一些不适合在被驱动表上建索引的情况。比如下面这个语句:

select * from t1 join t2 on (t1.b=t2.b) where t2.b>=1 and t2.b<=2000;

​ 我们在文章开始的时候,在表 t2 中插入了 100 万行数据,但是经过 where 条件过滤后,需要参与 join 的只有 2000 行数据。如果这条语句同时是一个低频的 SQL 语句,那么再为这个语句在表 t2 的字段 b 上创建一个索引就很浪费了。

​ 但是,如果使用 BNL 算法来 join 的话,这个语句的执行流程是这样的:

  1. 把表 t1 的所有字段取出来,存入 join_buffer 中。这个表只有 1000 行,join_buffer_size 默认值是 256k,可以完全存入。
  2. 扫描表 t2,取出每一行数据跟 join_buffer 中的数据进行对比,
    • 如果不满足 t1.b=t2.b,则跳过;
    • 如果满足 t1.b=t2.b, 再判断其他条件,也就是是否满足 t2.b 处于[1,2000]的条件,如果是,就作为结果集的一部分返回,否则跳过。

​ 我在上一篇文章中说过,对于表 t2 的每一行,判断 join 是否满足的时候,都需要遍历 join_buffer 中的所有行。因此判断等值条件的次数是 1000*100 万 =10 亿次,这个判断的工作量很大。


图 6 explain 结果

图 7 语句执行时间

​ 可以看到,explain 结果里 Extra 字段显示使用了 BNL 算法。在我的测试环境里,这条语句需要执行 1 分 11 秒。

​ 在表 t2 的字段 b 上创建索引会浪费资源,但是不创建索引的话这个语句的等值条件要判断 10 亿次,想想也是浪费。那么,有没有两全其美的办法呢?

​ 这时候,我们可以考虑使用临时表。使用临时表的大致思路是:

  • 把表 t2 中满足条件的数据放在临时表 tmp_t 中;
  • 为了让 join 使用 BKA 算法,给临时表 tmp_t 的字段 b 加上索引;
  • 让表 t1 和 tmp_t 做 join 操作。

​ 此时,对应的 SQL 语句的写法如下:

create temporary table temp_t(id int primary key, a int, b int, index(b))engine=innodb;
insert into temp_t select * from t2 where b>=1 and b<=2000;
select * from t1 join temp_t on (t1.b=temp_t.b);

图 8 就是这个语句序列的执行效果。


图 8 使用临时表的执行效果

​ 可以看到,整个过程 3 个语句执行时间的总和还不到 1 秒,相比于前面的 1 分 11 秒,性能得到了大幅提升。

​ 接下来,我们一起看一下这个过程的消耗:

  1. 执行 insert 语句构造 temp_t 表并插入数据的过程中,对表 t2 做了全表扫描,这里扫描行数是 100 万。
  2. 之后的 join 语句,扫描表 t1,这里的扫描行数是 1000;join 比较过程中,做了 1000 次带索引的查询。相比于优化前的 join 语句需要做 10 亿次条件判断来说,这个优化效果还是很明显的。

​ 总体来看,不论是在原表上加索引,还是用有索引的临时表,我们的思路都是让 join 语句能够用上被驱动表上的索引,来触发 BKA 算法,提升查询性能。

扩展 -hash join

​ 看到这里你可能发现了,其实上面计算 10 亿次那个操作,看上去有点儿傻。如果 join_buffer 里面维护的不是一个无序数组,而是一个哈希表的话,那么就不是 10 亿次判断,而是 100 万次 hash 查找。这样的话,整条语句的执行速度就快多了吧?确实如此。

​ 这,也正是 MySQL 的优化器和执行器一直被诟病的一个原因:不支持哈希 join。并且,MySQL 官方的 roadmap,也是迟迟没有把这个优化排上议程。实际上,这个优化思路,我们可以自己实现在业务端。实现流程大致如下:

  1. select * from t1;
  2. 取得表 t1 的全部 1000 行数据,在业务端存入一个 hash 结构,比如 C++ 里的 set、PHP 的数组这样的数据结构。select * from t2 where b>=1 and b<=2000;
  3. 获取表 t2 中满足条件的 2000 行数据。
  4. 把这 2000 行数据,一行一行地取到业务端,到 hash 结构的数据表中寻找匹配的数据。满足匹配的条件的这行数据,就作为结果集的一行。

​ 理论上,这个过程会比临时表方案的执行速度还要快一些。如果你感兴趣的话,可以自己验证一下。

小结

​ 今天,我和你分享了 Index Nested-Loop Join(NLJ)和 Block Nested-Loop Join(BNL)的优化方法。在这些优化方法中:

  1. BKA 优化是 MySQL 已经内置支持的,建议你默认使用
  2. BNL 算法效率低,建议你都尽量转成 BKA 算法。优化的方向就是给被驱动表的关联字段加上索引
  3. 基于临时表的改进方案,对于能够提前过滤出小数据的 join 语句来说,效果还是很好的;
  4. MySQL 目前的版本还不支持 hash join,但你可以配合应用端自己模拟出来,理论上效果要好于临时表的方案。

MySQL8中已经推出了hash join了

问答

​ 最后,我给你留下一道思考题吧。我们在讲 join 语句的这两篇文章中,都只涉及到了两个表的 join。那么,现在有一个三个表 join 的需求,假设这三个表的表结构如下:

CREATE TABLE `t1` (
 `id` int(11) NOT NULL,
 `a` int(11) DEFAULT NULL,
 `b` int(11) DEFAULT NULL,
 `c` int(11) DEFAULT NULL,
  PRIMARY KEY (`id`)
) ENGINE=InnoDB;

create table t2 like t1;
create table t3 like t2;
insert into ... //初始化三张表的数据

​ 语句的需求实现如下的 join 逻辑:

select * from t1 join t2 on(t1.a=t2.a) join t3 on (t2.b=t3.b) where t1.c>=X and t2.c>=Y and t3.c>=Z;

​ 现在为了得到最快的执行速度,如果让你来设计表 t1、t2、t3 上的索引,来支持这个 join 语句,你会加哪些索引呢?

​ 同时,如果我希望你用 straight_join 来重写这个语句,配合你创建的索引,你就需要安排连接顺序,你主要考虑的因素是什么呢?

答案

​ 第一原则是要尽量使用 BKA 算法。

​ 需要注意的是,使用 BKA 算法的时候,并不是“先计算两个表 join 的结果,再跟第三个表 join”,而是直接嵌套查询的。具体实现是:在 t1.c>=X、t2.c>=Y、t3.c>=Z 这三个条件里,选择一个经过过滤以后,数据最少的那个表,作为第一个驱动表

​ 此时,可能会出现如下两种情况。第一种情况,如果选出来是表 t1 或者 t3,那剩下的部分就固定了。

  • 如果驱动表是 t1,则连接顺序是 t1->t2->t3,要在被驱动表字段创建上索引,也就是 t2.a 和 t3.b 上创建索引;
  • 如果驱动表是 t3,则连接顺序是 t3->t2->t1,需要在 t2.b 和 t1.a 上创建索引。

​ 同时,我们还需要在第一个驱动表的字段 c 上创建索引

​ 第二种情况是,如果选出来的第一个驱动表是表 t2 的话,则需要评估另外两个条件的过滤效果。

​ 总之,整体的思路就是,尽量让每一次参与 join 的驱动表的数据集,越小越好,因为这样我们的驱动表就会越小。

对答案具体操作

第一种情况

驱动表是 t1

连接顺序为 t1 -> t2 -> t3,需要在 t2.at3.b 上创建索引。

-- 创建索引  
CREATE INDEX idx_t2_a ON t2(a);  
CREATE INDEX idx_t3_b ON t3(b);  
  
-- 使用 STRAIGHT_JOIN 语句  
SELECT STRAIGHT_JOIN *   
FROM t1   
STRAIGHT_JOIN t2 ON t1.a = t2.a   
STRAIGHT_JOIN t3 ON t2.b = t3.b   
WHERE t1.c >= X AND t2.c >= Y AND t3.c >= Z;

驱动表是 t3

连接顺序为 t3 -> t2 -> t1,需要在 t2.bt1.a 上创建索引。

-- 创建索引  
CREATE INDEX idx_t2_b ON t2(b);  
CREATE INDEX idx_t1_a ON t1(a);  
  
-- 使用 STRAIGHT_JOIN 语句  
SELECT STRAIGHT_JOIN *   
FROM t3   
STRAIGHT_JOIN t2 ON t3.b = t2.b   
STRAIGHT_JOIN t1 ON t2.a = t1.a   
WHERE t1.c >= X AND t2.c >= Y AND t3.c >= Z;

第二种情况

驱动表是 t2

在这种情况下,需要评估 t1.c >= Xt3.c >= Z 的过滤效果。如果这两个条件的过滤效果都非常好(即能显著减少结果集的大小),那么可以考虑将 t2 作为驱动表。

连接顺序为 t2 -> t1t2 -> t3,然后连接剩下的表。在这种情况下,我们可能需要在 t1.at3.b 上创建索引。但需要注意,选择哪个表先与 t2 连接,取决于哪个连接能更有效地利用 WHERE 条件中的过滤效果。

假设我们优先连接 t1(即 t2 -> t1 -> t3),则 SQL 语句如下:

-- 创建索引  
CREATE INDEX idx_t1_a ON t1(a);  
CREATE INDEX idx_t3_b ON t3(b);  
  
-- 使用 STRAIGHT_JOIN 语句  
SELECT STRAIGHT_JOIN *   
FROM t2   
STRAIGHT_JOIN t1 ON t2.a = t1.a   
STRAIGHT_JOIN t3 ON t2.b = t3.b   
WHERE t1.c >= X AND t2.c >= Y AND t3.c >= Z;

假设我们优先连接 t3(即 t2 -> t3 -> t1),则 SQL 语句如下:

-- 创建索引  
CREATE INDEX idx_t3_b ON t3(b);  
CREATE INDEX idx_t1_a ON t1(a);  
  
-- 使用 STRAIGHT_JOIN 语句  
SELECT STRAIGHT_JOIN *   
FROM t2   
STRAIGHT_JOIN t3 ON t2.b = t3.b   
STRAIGHT_JOIN t1 ON t2.a = t1.a   
WHERE t1.c >= X AND t2.c >= Y AND t3.c >= Z;

注意事项

  1. 过滤效果评估:选择驱动表时,需要评估 WHERE 条件中的过滤效果,优先使用过滤效果好的表作为驱动表。
  2. 索引选择性:索引的选择性越高(即索引列中唯一值的比例越高),查询性能越好。
  3. 数据大小:小表优先作为驱动表,可以减少 I/O 操作。

在实际应用中,可以通过 EXPLAIN 语句来评估查询计划,从而确定最佳的连接顺序和索引策略。

标签:语句,join,t2,t3,第三十四,索引,t1
From: https://www.cnblogs.com/guixiangyyds/p/18528738

相关文章

  • Sql(sql语句优化,索引设计优化)
    1.慢查询MySQL的慢查询日志可以记录执行时间超过阈值的SQL查询语句,所以我们可以利用该日志查找出哪些SQL语句执行效率差,从而对SQL语句进行优化。MySQL5.7以上版本可以通过SET命令来开启慢查询日志。SETGLOBALslow_query_log=ON;SETGLOBALlong_query_time......
  • 条件语句中同时检查指针空检查和解引用,安全么
    答案是安全的。 条件语句中同时进行空指针检查和解引用,但要确保解引用发生在检查之后,并且需要注意运算符的优先级。//例如,在C++中使用逻辑与运算符if(p!=nullptr&&*p==someValue){//这里是安全的,因为p的空指针检查在前//可以安全地访问*p} 在......
  • Neo4j入门:详解Cypher查询语言中的MATCH语句
    Neo4j入门:详解Cypher查询语言中的MATCH语句引言什么是MATCH语句?示例数据1.基础节点查询查询所有节点按标签查询节点2.关系查询基础关系查询指定关系方向指定关系类型3.使用WHERE子句4.使用参数5.多重MATCH和WITH子句实用技巧总结引言大家好!今天我们来学习Neo......
  • left join 出现重复on导致sql语句报错
    leftjoin出现重复on导致sql语句报错​mybatis-plus开启多租户插件功能时,在进行链表查询时会重复出现on导致sql语句报错原因​原因是引入的分页拆件中的jsqlparser解析器和mybatis-plus的jsqlparser解析器冲突了,导致默认采用了分页拆件的jsqlparser解析器​分页拆件......
  • 2024/11/4日 日志 关于JavaScript 变量、数据类型、类型转换和流程控制语句的学习
    经过两天的休憩,状态更佳,后面的笔记和学习进度也会加快JavaScript变量、数据类型、类型转换和流程控制语句点击查看代码----变量--JavaScript中用var关键字(variable的缩写)来声明变量--vartest=20;--test="张三":--·JavaScript是一门弱类型语言变量可......
  • 第三十三讲:到底可不可以使用join?
    第三十三讲:到底可不可以使用join?简概:厌烦了平淡的开头提出问题​ 在实际生产中,关于join语句使用的问题,一般会集中在以下两类:我们DBA不让使用join,使用join有什么问题呢?如果有两个大小不同的表做join,应该用哪个表做驱动表呢?提出示例​ 今天这篇文章,我就先跟你说......
  • rust学习四、控制语句
    rust的控制语句和大部分语言没有什么区别,都是熟悉的for,while,loop,if。比较不同的是,在绝大部分非常流行的语言中都有的switch,rust是没有的。诸如c/c++,java,javascript,c#。连PL/SQL都有casewhen语句。 一、基本的for、while、if,loop示例-for,while,loop,if/**学习控......