MySQL索引优化实例分析
目录
- 1.数据准备
- 2.实例一
- 3.MySQL如何选择合适的索引？
- 4.常见 SQL 深入优化
- 4.1.Order by与Group by优化
- 4.2.分页查询优化
- 4.3.join关联查询优化
- 4.3.1.数据准备
- 4.3.2.MySQL 表关联常见的两种算法
- 4.4.in和exsits优化
- 4.5.count(*)查询优化
- 5.索引设计原则
1.数据准备
#1.建立员工表，并创建name,age,position索引，id为自增主键
CREATE TABLE `employees` (
`id` int(11) NOT NULL AUTO_INCREMENT,
`name` varchar(24) NOT NULL DEFAULT '' COMMENT '姓名',
`age` int(11) NOT NULL DEFAULT '0' COMMENT '年龄',
`position` varchar(20) NOT NULL DEFAULT '' COMMENT '职位',
`hire_time` timestamp NOT NULL DEFAULT CURRENT_TIMESTAMP COMMENT '入职时间',
PRIMARY KEY (`id`),
KEY `idx_name_age_position` (`name`,`age`,`position`) USING BTREE
) ENGINE=InnoDB AUTO_INCREMENT=100010 DEFAULT CHARSET=utf8 COMMENT='员工记录表'
# 2.前面插入三条数据,并建立employees_min_copy表插入这三条数据
INSERT INTO employees (name,age,`position`,hire_time) VALUES
('LiLei',22,'manager','2021-08-17 21:00:55')
,('HanMeimei',23,'dev','2021-08-17 21:00:55')
,('Lucy',23,'dev','2021-08-17 21:00:55')
;
#3.再通过执行计划向表中插入十万条数据
#3.1建立存储过程，往employees表中插入数据（MySQL8.0版本）
DELIMITER $$
USE `zhebase`$$
DROP PROCEDURE IF EXISTS `batch_insert_employees`$$
CREATE PROCEDURE `batch_insert_employees`(IN `start_number` BIGINT,IN `counts` BIGINT)
BEGIN
DECLARE start_number BIGINT DEFAULT start_number;
DECLARE stop_number BIGINT DEFAULT start_number;
SET stop_number=start_number + counts;
WHILE start_number < stop_number DO
INSERT INTO employees(name,age,position,hire_time) VALUES(CONCAT('zhang',start_number),start_number,'dev',now());
SET start_number=start_number+1;
END WHILE ;
COMMIT;
END$$
DELIMITER ;
#3.2执行存储过程插入十万条数据
CALL batch_insert_employees(1,100000);
2.实例一
1.联合索引第一个字段用范围不会走索引
EXPLAIN SELECT * FROM employees WHERE name > 'LiLei' AND age = 22 AND position ='manager';
原因：MySQL 内部可能觉得第一个字段就用范围，结果集应该很大，还需要回表，回表效率不高，不如直接采用全表扫描 但是我们可以强制走索引
EXPLAIN SELECT * FROM employees force index(idx_name_age_position) WHERE name > 'LiLei' AND age = 22 AND position ='manager';
-- 关闭查询缓存 set global query_cache_size=0; set global query_cache_type=0; -- 执行时间0.321s SELECT * FROM employees WHERE name > 'LiLei'; -- 执行时间0.458s SELECT * FROM employees force index(idx_name_age_position) WHERE name > 'LiLei';
使用了强制走索引让联合索引第一个字段范围查找也走索引，扫描的行rows看上去也少了点，但是最终查找效率不一定比全表扫描高，因为回表效率不高
对于这种情况，如果可以使用覆盖索引，就使用覆盖索引进行优化
EXPLAIN SELECT name,age,position FROM employees WHERE name > 'LiLei' AND age = 22 AND position ='manager';
2.in 和 or 在表数据量比较大的情况会走索引，在表记录不多的情况下会选择全表扫描
EXPLAIN SELECT * FROM employees
WHERE name in ('LiLei','HanMeimei','Lucy')
AND age = 22
AND position ='manager';
#表数据量大走索引，数据量小全表扫描
EXPLAIN SELECT * FROM employees
WHERE (name = 'LiLei' or name = 'HanMeimei')
AND age = 22
AND position ='manager';
将十万行数据的employees表复制一份插入几行数据，再进行查询
发现进行了全表扫描
3.like xx% 无论数据量多少一般情况都会走索引
EXPLAIN SELECT * FROM employees WHERE name like 'LiLei%' AND age = 22 AND position ='manager';
MySQL 底层使用索引下推（Index Condition Pushdown，ICP） 来对 like xx%进行优化。
索引下推： 对于辅助的联合索引(idx_name_age_position)，通常按照最左前缀原则，SELECT * FROM employees WHERE name like 'LiLei%' AND age = 22 AND position ='manager' 因为在 name 是范围查询，过滤完后，age 和 position 是无序的，后续索引无法使用，只会走name字段索引。
- MySQL5.6 以前： 先在索引树中匹配 name 是 'LiLei' 开头的索引，然后根据索引下的主键进行回表操作，在主键索引上在匹配 age 和 position
- MySQL 5.6以后： 引入索引下推，先在索引树种匹配 name 是 'LiLei' 开头的索引，同时将该所与树通有的所有条件字段进行判断，过滤掉不符合条件的记录再回表匹配其他条件及查询整行数据。
- 优点： 过滤掉不符合条件的记录之后再回表，可以有效的减少回表次数，提高查询效率。
MySQL 范围查找为什么没有使用索引下推优化？ 可能因为范围查找结果集一般较大，like xx%在大多数情况下，过滤后结果集较小。而结果集大的时候，每次检索出来都要匹配后面的字段，不一定比立即回表要快。但是也不是绝对的，有些时候 Like xx%也不会走索引下推。
3.MySQL如何选择合适的索引？
先来看两条 SQL 语句：
# MySQL直接使用全表扫描 EXPLAIN select * from employees where name > 'a'; # MySQL走索引 EXPLAIN select * from employees where name > 'zzz';
我们发现第一条 SQL 进行了全表扫描，第二条 SQL 走了索引。对应第一条SQL，MySQL 通过计算执行成本发现走索引成本比全部扫描更高（走索引需要遍历 name 字段，再进行回表操作查出最终数据，比直接查聚簇索引树更慢)。对于这种情况可以使用覆盖索引进行优化。至于 MySQL 如何选择最终索引，可以用 Trace 工具进行查看。但开启trace工具会影响 MySQL 性能，用完之后需立即关闭。
#开启trace set session optimizer_trace="enabled=on",end_markers_in_json=on; #关闭trace set session optimizer_trace="enabled=off"; #使用trace select * from employees where name > 'a' order by position; select * from information_schema.OPTIMIZER_TRACE;
下面是执行后的Trace中的内容：
{
"steps": [
{
#第一阶段：SQL准备阶段，格式化sql
"join_preparation": {
"select#": 1,
"steps": [
{
"expanded_query": "/* select#1 */ select `employees`.`id` AS `id`,`employees`.`name` AS `name`,`employees`.`age` AS `age`,`employees`.`position` AS `position`,`employees`.`hire_time` AS `hire_time` from `employees` where (`employees`.`name` > 'a') order by `employees`.`position` limit 0,200"
}
] /* steps */
} /* join_preparation */
},
{
#第二阶段：SQL优化阶段
"join_optimization": {
"select#": 1,
"steps": [
{
#条件处理
"condition_processing": {
"condition": "WHERE",
"original_condition": "(`employees`.`name` > 'a')",
"steps": [
{
"transformation": "equality_propagation",
"resulting_condition": "(`employees`.`name` > 'a')"
},
{
"transformation": "constant_propagation",
"resulting_condition": "(`employees`.`name` > 'a')"
},
{
"transformation": "trivial_condition_removal",
"resulting_condition": "(`employees`.`name` > 'a')"
}
] /* steps */
} /* condition_processing */
},
{
"substitute_generated_columns": {
} /* substitute_generated_columns */
},
{
#表依赖详情
"table_dependencies": [
{
"table": "`employees`",
"row_may_be_null": false,
"map_bit": 0,
"depends_on_map_bits": [
] /* depends_on_map_bits */
}
] /* table_dependencies */
},
{
"ref_optimizer_key_uses": [
] /* ref_optimizer_key_uses */
},
{
#预估表的访问成本
"rows_estimation": [
{
"table": "`employees`",
"range_analysis": {
"table_scan": { --全表扫描情况
"rows": 93205, --扫描行数
"cost": 9394.9 --查询成本
} /* table_scan */,
#查询可能使用的索引
"potential_range_indexes": [
{
"index": "PRIMARY", --主键索引
"usable": false, -- 是否使用
"cause": "not_applicable"
},
{
#辅助索引
"index": "idx_name_age_position",
"usable": true,
"key_parts": [
"name",
"age",
"position",
"id"
] /* key_parts */
}
] /* potential_range_indexes */,
"setup_range_conditions": [
] /* setup_range_conditions */,
"group_index_range": {
"chosen": false,
"cause": "not_group_by_or_distinct"
} /* group_index_range */,
"skip_scan_range": {
"potential_skip_scan_indexes": [
{
"index": "idx_name_age_position",
"usable": false,
"cause": "query_references_nonkey_column"
}
] /* potential_skip_scan_indexes */
} /* skip_scan_range */,
#分析各个索引使用成本
"analyzing_range_alternatives": {
"range_scan_alternatives": [
{
"index": "idx_name_age_position",
"ranges": [
"a < name" --索引使用范围
] /* ranges */,
"index_dives_for_eq_ranges": true,
"rowid_ordered": false, --使用该索引获取的记录是否按照主键排序
"using_mrr": false,
"index_only": false, --是否使用覆盖索引
"rows": 46602, --索引扫描行数
"cost": 16311, --索引使用成本
"chosen": false, --是否选择该索引
"cause": "cost"
}
] /* range_scan_alternatives */,
"analyzing_roworder_intersect": {
"usable": false,
"cause": "too_few_roworder_scans"
} /* analyzing_roworder_intersect */
} /* analyzing_range_alternatives */
} /* range_analysis */
}
] /* rows_estimation */
},
{
"considered_execution_plans": [
{
"plan_prefix": [
] /* plan_prefix */,
"table": "`employees`",
"best_access_path": { --最优访问路径
"considered_access_paths": [ --最终选择的访问路径
{
"rows_to_scan": 93205,
"filtering_effect": [
] /* filtering_effect */,
"final_filtering_effect": 0.5,
"access_type": "scan", --访问类型：为scan，全表扫描
"resulting_rows": 46602,
"cost": 9392.8,
"chosen": true --确定选择
}
] /* considered_access_paths */
} /* best_access_path */,
"condition_filtering_pct": 100,
"rows_for_plan": 46602,
"cost_for_plan": 9392.8,
"chosen": true
}
] /* considered_execution_plans */
},
{
"attaching_conditions_to_tables": {
"original_condition": "(`employees`.`name` > 'a')",
"attached_conditions_computation": [
{
"table": "`employees`",
"rechecking_index_usage": {
"recheck_reason": "low_limit",
"limit": 200,
"row_estimate": 46602
} /* rechecking_index_usage */
}
] /* attached_conditions_computation */,
"attached_conditions_summary": [
{
"table": "`employees`",
"attached": "(`employees`.`name` > 'a')"
}
] /* attached_conditions_summary */
} /* attaching_conditions_to_tables */
},
{
"optimizing_distinct_group_by_order_by": {
"simplifying_order_by": {
"original_clause": "`employees`.`position`",
"items": [
{
"item": "`employees`.`position`"
}
] /* items */,
"resulting_clause_is_simple": true,
"resulting_clause": "`employees`.`position`"
} /* simplifying_order_by */
} /* optimizing_distinct_group_by_order_by */
},
{
"reconsidering_access_paths_for_index_ordering": {
"clause": "ORDER BY",
"steps": [
] /* steps */,
"index_order_summary": {
"table": "`employees`",
"index_provides_order": false,
"order_direction": "undefined",
"index": "unknown",
"plan_changed": false
} /* index_order_summary */
} /* reconsidering_access_paths_for_index_ordering */
},
{
"finalizing_table_conditions": [
{
"table": "`employees`",
"original_table_condition": "(`employees`.`name` > 'a')",
"final_table_condition ": "(`employees`.`name` > 'a')"
}
] /* finalizing_table_conditions */
},
{
"refine_plan": [
{
"table": "`employees`"
}
] /* refine_plan */
},
{
"considering_tmp_tables": [
{
"adding_sort_to_table_in_plan_at_position": 0
} /* filesort */
] /* considering_tmp_tables */
}
] /* steps */
} /* join_optimization */
},
{
#第三阶段：SQL执行阶段
"join_execution": {
"select#": 1,
"steps": [
{
"sorting_table_in_plan_at_position": 0,
"filesort_information": [
{
"direction": "asc",
"table": "`employees`",
"field": "position"
}
] /* filesort_information */,
"filesort_priority_queue_optimization": {
"limit": 200,
"chosen": true
} /* filesort_priority_queue_optimization */,
"filesort_execution": [
] /* filesort_execution */,
"filesort_summary": {
"memory_available": 262144,
"key_size": 40,
"row_size": 186,
"max_rows_per_buffer": 201,
"num_rows_estimate": 285696,
"num_rows_found": 100003,
"num_initial_chunks_spilled_to_disk": 0,
"peak_memory_used": 38994,
"sort_algorithm": "std::stable_sort",
"unpacked_addon_fields": "using_priority_queue",
"sort_mode": "<fixed_sort_key, additional_fields>"
} /* filesort_summary */
}
] /* steps */
} /* join_execution */
}
] /* steps */
}
由 Trace字段可知，全表扫描的 cost_for_plan = 9394.9 小于使用索引 cost_for_plan = 16311，故最终选择全表扫描。
4.常见 SQL 深入优化
4.1.Order by与Group by优化
# 案例1 explain select * from employees where name = 'Lucy' and position = 'dev' order by age;
分析： 案例1 由最左前缀法则分析出索引中间不能出现断层，只使用了 name 索引前缀，也可以从key_len = 3n + 2 看出。age 索引列用在排序过程中，因为Extra字段里没有 Using filesort 而是 Using index condition 。
#案例2 explain select * from employees where name = 'Lucy' order by position;
分析： 案例2 索引查询使用了 name 索引前缀，但排序由于跳过了 age 所以Extra字段出现了 Using filesort 。
#案例3 explain select * from employees where name = 'Lucy' order by age, position;
分析： 案例3 查询时使用了 name 索引，age 和 postion 用于排序，不会出现 Using filesort
#案例4 explain select * from employees where name = 'Lucy' order by position,age;
分析： 案例4 查询时使用了 name 索引，age 和 postion 顺序与创建索引树不一致，出现了 Using filesort
#案例5 explain select * from employees where name = 'Lucy' and age = 22 order by position,age;
分析： 案例5 查询时使用了 name 索引，age 和 postion 顺序与创建索引树不一致，但 name、age 为常量，MySQL 会自动优化，不会出现 Using filesort
#案例6 explain select * from employees where name = 'Lucy' order byage,position desc;
分析： 案例6 排序顺序一样，但 order by 默认升序，导致与索引的排序方式不同，出现了 Using filesort 。 MySQL8.0 以上版本有降序索引可以支持这种查询。
#案例7 explain select * from employees where name = 'Lucy' or name = 'LiLei' order by age;
分析： 案例7 对于排序来说，多个相等条件也是范围查询，出现了 Using filesort 。
#案例8 #SQL-1 explain select * from employees where name > 'zzz' order by name; #SQL-2 explain select * from employees where name > 'a' order by name;
分析： 案例8 原因同前面的例子，可以使用覆盖索引优化。
MySQL排序总结：
1、MySQL支持两种方式的排序 filesort 和 index，Using index是指MySQL扫描索引本身完成排序。Using filesort 是指MySQL扫描聚簇索引（整张表）进行排序。index效率高，filesort效率低。
2、order by 满足两种情况会使用 Using index（不绝对）
- a.order by 语句使用索引最左前列。
- b.使用 where 子句与 order by 子句条件列组合满足索引最左前列。
3、尽量在索引列上完成排序，遵循最左前缀法则。
4、如果 order by 的条件不在索引列上，就会产生Using filesort。
5、能用覆盖索引尽量用覆盖索引
6、group by 与 order by 很类似，其实质是先排序后分组（group by 底层：先执行一次 order by 再进行分组），遵照索引创建顺序的最左前缀法则。对于group by的优化如果不需要排序的可以加上order by null 禁止排序。注意，where高于having，能写在where中的限定条件就不要去having限定了。
Using filesort 文件排序原理 filesort文件排序方式有：
- 单路排序：是一次性取出满足条件行的所有字段，然后在 sort buffer 中进行排序。用trace工具得到sort_mode信息显示< sort_key, additional_fields >或者< sort_key, packed_additional_fields >
- 双路排序（又叫回表排序模式） ：先根据相应的条件取出相应的排序字段和可以直接定位行数据的行 ID，然后在 sort buffer 中进行排序，排序完后需要再次取回其它需要的字段。用trace工具得到sort_mode信息显示< sort_key, rowid >
MySQL 通过比较系统变量 max_length_for_sort_data(默认1024字节) 的大小和需要查询的字段总大小来判断使用哪种排序模式。
- 字段的总长度 < max_length_for_sort_data ，使用单路排序
- 字段的总长度 >max_length_for_sort_data ，使用双路排序
select * from employees where name = 'Lucy' order by position;
"join_execution": { --Sql执行阶段
"select#": 1,
"steps": [
{
"filesort_information": [
{
"direction": "asc",
"table": "`employees`",
"field": "position"
}
] /* filesort_information */,
"filesort_priority_queue_optimization": {
"usable": false,
"cause": "not applicable (no LIMIT)"
} /* filesort_priority_queue_optimization */,
"filesort_execution": [
] /* filesort_execution */,
"filesort_summary": { --文件排序信息
"rows": 10000, --预计扫描行数
"examined_rows": 10000, --参与排序的行
"number_of_tmp_files": 3, --使用临时文件的个数，如果为0代表全部使用的sort_buffer内存排序，否则使用的磁盘文件排序
"sort_buffer_size": 262056, --排序缓存的大小，单位Byte
"sort_mode": "<sort_key, packed_additional_fields>" --排序方式，此处是路排序
} /* filesort_summary */
}
] /* steps */
} /* join_execution */
单路排序会把所有需要查询的字段都放到 sort buffer 中排序，而双路排序只会把主键和需要排序的字段放到 sort buffer 中进行排序，然后再通过主键回到原表查询需要的字段。
单路排序过程：
- a.从索引 name 找到第一个满足 name = 'Lucy' 条件的主键 id
- b.回表根据主键 id 取出整行，取出所有字段的值，存入 sort_buffer 中
- c.从索引name找到下一个满足 name = 'Lucy' 条件的主键 id
- d.重复步骤 2、3 直到不满足 name = 'Lucy'
- e.对 sort_buffer 中的数据按照字段 position 进行排序
- f.返回结果
双路排序过程：
- a.从索引 name 找到第一个满足 name ='Lucy' 的主键 id
- b.根据主键 id 取出整行，把排序字段 position 和主键 id 这两个字段放到 sort buffer 中
- c.从索引 name 取下一个满足 name = 'Lucy' 记录的主键 id
- d.重复 3、4 直到不满足 name = 'Lucy'
- e.对 sort_buffer 中的字段 position 和主键 id 按照字段 position 进行排序
- f.遍历排序好的 id 和字段 position，按照 id 的值回到原表中取出所有字段的值返回
4.2.分页查询优化
select * from employees limit 10000,10
这条 SQL 语句实际查询了 10010 条记录，然后丢弃了前面的 10000 条记录，所以，在 数据量很大时，执行效率是非常非常低的。一般需要对分页查询进行优化。 优化方法： 1.根据自增且连续的主键排序的分页查询
select * from employees where id > 90000 limit 5;
当一个表的主键连续且自增时，可以使用该方法进行优化，但如果自增不连续会造成数据丢失。
2.根据非主键字段排序的分页查询
#优化前 select * from employees ORDER BY name limit 90000,5; #优化后 select * from employees e inner join (select id from employees order by name limit 90000,5) ed on e.id = ed.id;
先通过排序和分页操作先查出主键，然后根据主键查出对应的记录。
4.3.join关联查询优化
4.3.1.数据准备
#示例表 # 创建t1,t2表，主键id,单值索引a CREATE TABLE `t1` ( `id` int(11) NOT NULL AUTO_INCREMENT, `a` int(11) DEFAULT NULL, `b` int(11) DEFAULT NULL, PRIMARY KEY (`id`), KEY `idx_a` (`a`) ) ENGINE=InnoDB DEFAULT CHARSET=utf8; create table t2 like t1; #存储过程往t1,t2表插入数据 DELIMITER $$ USE `zhebase`$$ DROP PROCEDURE IF EXISTS `batch_insert_t1`$$ CREATE PROCEDURE `batch_insert_t1`(IN `start_number` BIGINT,IN `counts` BIGINT) BEGIN DECLARE start_number BIGINT DEFAULT start_number; DECLARE stop_number BIGINT DEFAULT start_number; SET stop_number=start_number + counts; WHILE start_number < stop_number DO INSERT INTO t1(a,b) VALUES(start_number,start_number); SET start_number=start_number+1; END WHILE ; COMMIT; END$$ DELIMITER ; DELIMITER $$ USE `zhebase`$$ DROP PROCEDURE IF EXISTS `batch_insert_t2`$$ CREATE PROCEDURE `batch_insert_t2`(IN `start_number` BIGINT,IN `counts` BIGINT) BEGIN DECLARE start_number BIGINT DEFAULT start_number; DECLARE stop_number BIGINT DEFAULT start_number; SET stop_number=start_number + counts; WHILE start_number < stop_number DO INSERT INTO t2(a,b) VALUES(start_number,start_number); SET start_number=start_number+1; END WHILE ; COMMIT; END$$ DELIMITER ; #执行存储过程往t1表插入10000条记录,t2表插入100条记录 CALL batch_insert_t1(1,10000); CALL batch_insert_t2(1,100);
4.3.2.MySQL 表关联常见的两种算法
- 嵌套循环连接 Nested-Loop Join(NLJ) 算法
- 基于块的嵌套循环连接 Block Nested-Loop Join(BNL)算法
- MySQL对于被驱动表的关联字段没索引的关联查询，一般都会使用 BNL 算法。如果有索引一般选择 NLJ 算法，有索引的情况下 NLJ 算法比 BNL算法性能更高
1.嵌套循环连接 Nested-Loop Join(NLJ) 算法 原理：一次一行循环地从第一张表（驱动表）中读取行，在这行数据中取到关联字段，根据关联字段在另一张表（被驱动表）里取出满足条件的行，然后取出两张表的结果合集。
explain select * from t1 inner join t2 on t1.a= t2.a;
从执行计划可以了解的信息：
- a.驱动表是 t2，被驱动表是 t1( inner join 时 SQL优化器会小表驱动大表，外连接则根据连接类型区分）
- b.使用了 NLJ 算法。如果执行计划 Extra 中未出现 Using join buffer 则表示使用的 join 算法是 NLJ
整个过程会读取 t2 表的所有数据(扫描100行)，然后遍历这每行数据中字段 a 的值，根据 t2 表中 a 的值索引扫描 t1 表中的对应行(扫描100次 t1 表的索引，1次扫描可以认为最终只扫描 t1 表一行完整数据，也就是总共 t1 表也扫描了100行)。因此整个过程扫描了 200 行 。
2. 基于块的嵌套循环连接 Block Nested-Loop Join(BNL)算法 原理：把驱动表的数据读入到 join_buffer 中，然后扫描被驱动表，把被驱动表每一行取出来跟 join_buffer 中的数据做对比
explain select * from t1 inner join t2 on t1.b= t2.b;
整个过程对表 t1 和 t2 都做了一次全表扫描，因此扫描的总行数为10000(表 t1 的数据总量) + 100(表 t2 的数据总量) = 10100。并且 join_buffer 里的数据是无序的，因此对表 t1 中的每一行，都要做 100 次判断，所以内存中的判断次数是 100 * 10000= 100 万次（非扫描次数） 。 注意： join_buffer 的大小是由参数 join_buffer_size 控制，默认256k。如果 t2 放不下就会使用分段策略（先从 t2 表取出部分数据，比对完就清空 join_buffer，再重新拿出来余下的部分进行比对）。
被驱动表的关联字段无索引为什么要选择使用 BNL 算法而不使用 NLJ 算法？ 如第二条 SQL，如果使用 NLJ 算法扫描行数为 100 * 10000 = 100万，这个是磁盘扫描。使用 BNL 算法仅需扫描 100100 行。
对于表关联 SQL 的优化
- 尽量少关联（在阿里规范中，关联表不能超过三种，可以后端代码单独查询，循环关联）
- 小表驱动大表，写多表连接 SQL 时如果明确知道哪张表是小表可以用straight_join写法固定连接驱动方式，节约 MySQL 优化器判断时间.
select * from t2 straight_join t1 on t2.a = t1.a; 代表指定mysql选着 t2 表作为驱动表 - 关联字段加索引，大表关联字段一定要加索引，尽量使得 MySQL 在进行 join 操作时选择NLJ算法
- 多表连接是非常难以优化的，最好95%的场景都使用单表来完成，复杂场景交个JAVA代码，大规模计算交给大数据工具，无需效率才考虑连接
4.4.in和exsits优化
原则：小表驱动大表
# in 先执行括号里面的 select * from A where id in (select id from B) #exists 先执行括号外面的 #select * 可以用 select 1 替换，没有区别 #exists 子查询内部会进行优化，并非逐条对比 #exists 子查询往往也可以用 jion 来代替，何种最优需要具体问题具体分析 select * from A where exists (select 1 from B where B.id = A.id)
4.5.count(*)查询优化
注意：根据某个字段 count 不会统计字段为 null 的行
#扫描二级索引，按行累加 explain select count(1) from employees; #扫描辅助索引按行累加（辅助索引比聚簇索引小） explain select count(id) from employees; #把 name 拿到内存，不为 null 就累加 explain select count(name) from employees; #不取值，按行累加 explain select count(*) from employees;
四条语句的效率几乎可以忽略，效率对比如下： 字段有索引： count(* )≈count(1)>count(字段)>count(主键 id) 段)>count(主键 id) 字段无索引： count(*)≈count(1)>count(主键 id)>count(字段)
常见优化方法：
- 1.对于 MyISAM 存储引擎的表做不带 where 条件的 count 查询性能是很高的，数据总行数直接写在磁盘上，查询不需要计算。innodb 存储引擎的表则不会记录(因为有MVCC机制)
- 2.对与不用知道确切行的可以直接使用
show table status，它是一个估值，使用该查询效率很高 - 3.将总数维护到 Redis 里面，插入或删除表数据行的时候同时维护 Redis 里的表总行数 key 的计数值(用 incr 或 decr 命令)，但是这种方式可能不准，很难保证表操作和Redis 操作的事务一致性。
- 4.增加数据库计数表，插入或删除表数据行的时候同时维护计数表，且它们在同一个事务里操作
5.索引设计原则
- 1、代码先行，索引后上，先开发完主体业务代码，再把涉及到该表相关sql都要拿出来分析之后再建立索引。
- 2、联合索引尽量覆盖条件，可以设计一个或者两三个联合索引(单值索引要少建)，让每一个联合索引都尽量去包含SQL语句里的 where、order by、group by 的字段，且这些联合索引字段顺序尽量满足 SQL查询的最左前缀原则。
- 3、不要在小基数字段上建立索引，无法进行快速的二分查找，不能能发挥出B+树快速二分查找的优势来，没有意义
- 4、尽量对字段类型较小的列设计索引，尽量对字段类型较小的列设计索引，比如 Tinyint 之类，字段类型较小的话，占用磁盘空间小，搜索的时性能更好。
- 5、长字符串可以采用前缀索引，比如针对某个字段的前20个字符建立索引，即：每个值的前20个字符放入索引树中，搜索时会先匹配前而是个字符，再回表到聚簇索引取出来完整的 name 字段值进行比较。但排序（order by 和 group by）时无法使用该索引。
- 6、where 与 order by 冲突时优先 where，大多数情况下根据索引进行 where 筛选一般筛选出来的数据比较少，然后做排序成本会更低。
- 7、基于慢SQL查询做优化，可以根据监控后台的一些慢SQL，针对这些慢 SQL 查询做特定的索引优化（MySQL有提供，只需设置具体参数）。
到此这篇关于MySQL索引优化实例分析的文章就介绍到这了,更多相关MySQL索引优化内容请搜索我们以前的文章或继续浏览下面的相关文章希望大家以后多多支持我们！
相关推荐
-
MySQL添加索引特点及优化问题
目录 一.索引的特点 二.索引类型 1.FULLTEXT 2.HASH 3.BTREE 4.RTREE 三.索引种类 四.索引的使用策略 1.什么时候要使用索引? 2.什么时候不要使用索引? 3.索引失效的情况? 4.mysql查询优化? 5.索引的常见问题 一.索引的特点 当MySQL单表记录数过大时,增删改查性能都会急剧下降.MySQL索引的建立对于MySQL的高效运行是很重要的,索引可以大大提高MySQL的检索速度.除非单表数据未来会一直不断上涨,否则不要一开始就考虑拆分,拆分会带来逻辑.
-
一文教你MySQL如何优化无索引的join
目录 前言 遍历循环查询 join 查询 join buffer (Block Nested Loop) 附:mysql join查询没有走索引的原因 总结 前言 MySQL Join 你用过吗?你知道其中的原理吗? 现在有张 user 表,这个 user 表很简单,一个主键 id,也就是我们的用户 id,还有个 name 字段,很明显就是用户的姓名. 这时候还有一张 user_info 表,这个 user_info 表存的是用户的一些其他信息,有 user_id 代表用户的 id,还有个 a
-
MySQL的索引原理以及查询优化详解
目录 一.介绍 1.什么是索引? 2.为什么要有索引呢? 二.索引的原理 一 索引原理 二 磁盘IO与预读 三.索引的数据结构 四.Mysql索引管理 一.功能 二.MySQL的索引分类 三. 索引的两大类型hash与btree 四.创建/删除索引的语法 五.测试索引 1.准备 2 .在没有索引的前提下测试查询速度 3. 加上索引 六.正确使用索引 一.覆盖索引 二.联合索引 三.索引合并 七.慢查询优化的基本步骤 总结 一.介绍 1.什么是索引? 一般的应用系统,读写比例在10:1左右,而且插
-
MySQL使用索引优化性能
目录 1.索引问题 2.索引的存储分类 3.如何使用索引 3.1使用索引 3.2存在索引但不使用索引 4.查看索引使用情况 5.两个简单实用的优化方法 5.1定期分析表和检查表 5.2定期优化表 1.索引问题 索引是数据库优化中最常用也是最重要的手段之一,通过索引通常可以帮助用户解决大多数 的SQL性能问题.本章节将对MySQL中的索引的分类.存储.使用方法做详细的介绍. 2.索引的存储分类 MyISAM存储引擎的表数据和索引是自动分开存储的,各自是独立的一个文件:InnoDB存储引擎的表数据和
-
mysql利用覆盖索引避免回表优化查询
前言 说到覆盖索引之前,先要了解它的数据结构:B+树. 先建个表演示(为了简单,id按顺序建): id name 1 aa 3 kl 5 op 8 aa 10 kk 11 kl 14 jk 16 ml 17 mn 18 kl 19 kl 22 hj 24 io 25 vg 29 jk 31 jk 33 rt 34 ty 35 yu 37 rt 39 rt 41 ty 45 qt 47 ty 53 qi 57 gh 61 dh 以主键以外的列值作为键值构建的 B+ 树索引,我们称之为非聚集索引.
-
MySQL组合索引(多列索引)使用与优化案例详解
目录 1.多列索引 2.测试案例及过程 2.1 创建一个测试数据库和数据表 2.2 添加两个单列索引 2.3 查询一条数据利用到两个列的索引 2.4 查看执行计划 2.5 然后删除以上索引,添加多列索引 2.6 再次查询 3.多列索引的使用顺序 3.1 怎么选择建立组合索引时,列的顺序 3.2 组合索引的使用规则 1.多列索引 我们经常听到一些人说"把WHERE条件里的列都加上索引",其实这个建议非常错误. 在多个列上建立单独的索引大部分情况下并不能提高MySQL的查询性能.MySQL
-
MySQL数据优化-多层索引
目录 一.多层索引 1.创建 2.设置索引的名称 3.from_arrays( )-from_tuples() 4.笛卡儿积方式 二.多层索引操作 1.Series 2.DataFrame 3.交换索引 4.索引排序 5.索引堆叠 6.取消堆叠 一.多层索引 1.创建 环境:Jupyter import numpy as np import pandas as pd a=pd.DataFrame(np.random.random(size=(4,4)),index=[['上半年','上半年','
-
MySQL优化及索引解析
索引简单介绍 索引的本质: MySQL索引或者说其他关系型数据库的索引的本质就只有一句话,以空间换时间. 索引的作用: 索引关系型数据库为了加速对表中行数据检索的(磁盘存储的)数据结构 索引的分类 数据结构上面的分类: HASH 索引 等值匹配效率高 不支持范围查找 树形索引 二叉树,递归二分查找法,左小右大 平衡二叉树,二叉树到平衡二叉树,主要原因是左旋右旋 缺点1,IO次数过多 缺点2,IO利用率不高,IO饱和度 多路平衡查找树(B-Tree) 特点,大大的减少了树的高度 B+树 特点,采用
-
mysql千万级数据量根据索引优化查询速度的实现
(一)索引的作用 索引通俗来讲就相当于书的目录,当我们根据条件查询的时候,没有索引,便需要全表扫描,数据量少还可以,一旦数据量超过百万甚至千万,一条查询sql执行往往需要几十秒甚至更多,5秒以上就已经让人难以忍受了. 能在软件上解决的,就不在硬件上解决,毕竟硬件提升代码昂贵,性价比太低.代价小且行之有效的解决方法就是合理的加索引.索引使用得当,能使查询速度提升上千倍,效果惊人. (二)mysql的索引类型: mysql的索引有5种:主键索引.普通索引.唯一索引.全文索引.聚合索引(多列索引).
-
Mysql索引选择以及优化详解
索引模型 哈希表 适用于只有等值查询的场景,Memory引擎默认索引 InnoDB支持自适应哈希索引,不可干预,由引擎自行决定是否创建 有序数组:在等值查询和范围查询场景中的性能都非常优秀,但插入和删除数据需要进行数据移动,成本太高.因此,只适用于静态存储引擎 二叉平衡树:每个节点的左儿子小于父节点,父节点又小于右儿子,时间复杂度是 O(log(N)) 多叉平衡树:索引不止存在内存中,还要写到磁盘上.为了让一个查询尽量少地读磁盘,就必须让查询过程访问尽量少的数据块.因此,要使用"N 叉"