首先要声明的就是,千万级数据对于MySQL来说就是不太合理的一个存在。
优化MySQL千万级数据策略还是比较多的。
- 分表分库
- 创建中间表,汇总表
- 修改为多个子查询
这里讨论的情况是在MySQL一张表的数据达到千万级别。表设计很烂,业务统计规则又不允许把sql拆成多个子查询。
在这样的情况下,开发者可以尝试通过优化SQL来达到查询的目的。
当MySQL一张表的数据达到千万级别,会出现一些特殊的情况。这里主要是讨论在比较极端的情况下SQL的优化策略。
先来个千万级数据
通过存储过程传递函数制造1000万条数据。
表结构如下:
sql复制代码CREATE TABLE `orders` (
`order_id` int NOT NULL AUTO_INCREMENT,
`user_id` int DEFAULT NULL,
`order_date` date NOT NULL,
`total_amount` decimal(10,2) NOT NULL,
PRIMARY KEY (`order_id`),
KEY `idx_user_id` (`user_id`) USING BTREE,
KEY `idx_user_amount` (`user_id`,`total_amount`) USING BTREE
) ENGINE=InnoDB AUTO_INCREMENT=1 DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_general_ci;
CREATE TABLE `users` (
`user_id` int NOT NULL AUTO_INCREMENT,
`username` varchar(50) COLLATE utf8mb4_general_ci NOT NULL,
`email` varchar(100) COLLATE utf8mb4_general_ci NOT NULL,
`created_at` timestamp NULL DEFAULT CURRENT_TIMESTAMP,
PRIMARY KEY (`user_id`),
KEY `idx_user_id` (`user_id`) USING BTREE
) ENGINE=InnoDB AUTO_INCREMENT=1 DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_general_ci;
造数据的存储过程如下。
用户数据:
sql复制代码-- 产生用户存储过程,1000个
CREATE DEFINER=`root`@`localhost` PROCEDURE `create_users`()
BEGIN
DECLARE i INT DEFAULT 0;
DECLARE total_users INT DEFAULT 1000; -- 调整用户数量
DECLARE rnd_username VARCHAR(50);
DECLARE rnd_email VARCHAR(100);
WHILE i < total_users DO
-- 生成随机用户名和邮箱
SET rnd_username = CONCAT('User', FLOOR(1 + RAND() * 10000000)); -- 假设用户名唯一
SET rnd_email = CONCAT(rnd_username, '@example.com'); -- 假设邮箱唯一
-- 将数据插入用户表
INSERT INTO users (username, email) VALUES (rnd_username, rnd_email);
SET i = i + 1;
END WHILE;
END
订单数据生成存储过程如下:
sql复制代码CREATE DEFINER=`root`@`localhost` PROCEDURE `generate_orders`()
BEGIN
DECLARE i INT DEFAULT 0;
DECLARE total_users INT DEFAULT 1000; -- 用户数量
DECLARE total_orders_per_user INT DEFAULT 1000; -- 每个用户的订单数量
DECLARE rnd_user_id INT;
DECLARE rnd_order_date DATE;
DECLARE rnd_total_amount DECIMAL(10, 2);
DECLARE j INT DEFAULT 0;
WHILE i < total_users DO
-- 获取用户ID
SELECT user_id INTO rnd_user_id FROM users LIMIT i, 1;
WHILE j < total_orders_per_user DO
-- 生成订单日期和总金额
SET rnd_order_date = DATE_ADD('2020-01-01', INTERVAL FLOOR(RAND() * 1096) DAY); -- 2020-01-01和2022-12-31之间的随机日期
SET rnd_total_amount = ROUND(RAND() * 1000, 2); -- 0到1000之间的随机总金额
-- 将数据插入订单表
INSERT INTO orders (user_id, order_date, total_amount) VALUES (rnd_user_id, rnd_order_date, rnd_total_amount);
SET j = j + 1;
END WHILE;
SET j = 0;
SET i = i + 1;
END WHILE;
END
将users和orders的数据生成分开,这样可以通过多次调用orders存储过程多线程参数数据。
调用一次call create_users()
,然后开15个窗口调用orders存储过程call generate_orders()
。
整个过程会产生1000个用户,15*1000*1000
也就是1500万条订单数据。
原始SQL
这是一个很简单的sql,统计每个用户的订单总额。
在默认情况下,什么索引都没有创建,需要花费190+s的时间。
sql复制代码-- 第一个版本
SELECT a.*,sum(b.total_amount) as total from users a left join orders b on a.user_id = b.user_id
group by a.user_id;
explain分析如下:
id | select_type | table | partitions | type | possible_keys | key | key_len | ref | rows | filtered | Extra |
1 | SIMPLE | a | ALL | PRIMARY | 1000 | 100.0 | Using temporary | ||||
1 | SIMPLE | b | ALL | 13016086 | 100.0 | Using where; Using join buffer (hash join) |
可以看到什么索引也没使用,type为all,直接全表扫描。
用时191s。
第一次优化:普通索引
把查询条件用到的sql条件都创建索引。也就是where和join、sum涉及到的知道。
sql复制代码CREATE INDEX idx_orders_user_id ON orders (user_id);
CREATE INDEX idx_orders_total_amount ON orders (total_amount);
CREATE INDEX idx_users_user_id ON users (user_id);
查询sql仍然是第一个版本。
sql复制代码-- 第一个版本
SELECT a.*,sum(b.total_amount) as total from users a left join orders b on a.user_id = b.user_id
group by a.user_id;
先看看expalin的结果:
id | select_type | table | partitions | type | possible_keys | key | key_len | ref | rows | filtered | Extra |
1 | SIMPLE | a | index | PRIMARY,idx_users_user_id | PRIMARY | 4 | 1 | 100.0 | |||
1 | SIMPLE | b | ref | idx_orders_user_id | idx_orders_user_id | 5 | test2.a.user_id | 13003 | 100.0 |
type为index或者ref,全部走的索引。
查询结果却让人失望,这次用的时间更多,用了460+s。也就是说查询变慢了。
推测是由于mysql的回表机制导致查询变得更慢了。所以接下来继续优化索引。
第二次优化:覆盖索引
覆盖索引是指一个索引包含了查询所需的所有列,从而可以满足查询的要求,而不需要访问实际的数据行。
通常情况下,数据库查询需要根据索引定位到对应的数据行,然后再从数据行中获取所需的列值。
而当索引中包含了查询所需的所有列时,数据库引擎可以直接通过索引就能够满足查询的要求,无需访问实际的数据行,这样就可以提高查询性能。
这也是普通索引添加了还是查询慢的原因,因为普通索引命中了还是会去找主键,通过主键找到关联字段的值做过滤。
sql复制代码-- 先不删除普通索引
-- drop INDEX idx_orders_user_id ON orders;
-- drop INDEX idx_orders_total_amount ON orders;
CREATE INDEX idx_orders_total_amount_user_id ON orders (total_amount,user_id);
CREATE INDEX idx_orders_user_id_total_amount ON orders (user_id,total_amount);
1500万数据创建索引就花费了300+s。所以创建索引得适度。
查询sql还是第一个版本。
sql复制代码-- 第一个版本
SELECT a.*,sum(b.total_amount) as total from users a left join orders b on a.user_id = b.user_id
group by a.user_id;
先看看expalin的结果:
id | select_type | table | partitions | type | possible_keys | key | key_len | ref | rows | filtered | Extra |
1 | SIMPLE | a | index | PRIMARY,idx_users_user_id | PRIMARY | 4 | 1 | 100.0 | |||
1 | SIMPLE | b | ref | idx_orders_user_id,idx_orders_user_id_total_amount | idx_orders_user_id_total_amount | 5 | test2.a.user_id | 874 | 100.0 | Using index |
可以看到orders表的type从index提升到了ref。
此时的查询时间为从460s+降低到10s了。
结果证明覆盖索引能提升查询速度。
问题就在于这次建的两个覆盖索引,只有 idx_orders_user_id_total_amount 降低了查询时间,而 idx_orders_total_amount_user_id没有。
这个和mysql的关键词执行顺序有一定关系(推测,没找到资料)。
mysql执行顺序如下:
shell复制代码from
on
join
where
group by
having
select
distinct
union (all)
order by
limit
可以看到在覆盖索引使用过程先是where,再是到select的sum函数。这也是 idx_orders_user_id_total_amount 索引的创建顺序。
sql复制代码drop INDEX idx_orders_user_id ON orders;
drop INDEX idx_orders_total_amount ON orders;
drop INDEX idx_orders_total_amount_user_id ON orders;
drop掉相关的多余索引可以发现执行查询时间没有变化,仍然为10s。
索引优化这块差不多就是通过覆盖索引来命中索引。
第三次优化:减少数据量
减少数据量在业务上来说就是移除不必要的数据,或者可以在架构设计这块做一些工作。
分表就是这个原则。
通过这个方式能把千万的数据量减少到百万甚至几十万的量。提升的查询速度是可以想象的。
sql复制代码-- 第三次优化:减少数据量
SELECT a.*,sum(b.total_amount) as total from users a left join orders b on a.user_id = b.user_id
where a.user_id > 1033
group by a.user_id;
expain结果如下:
id | select_type | table | partitions | type | possible_keys | key | key_len | ref | rows | filtered | Extra |
1 | SIMPLE | a | range | PRIMARY,idx_users_user_id | PRIMARY | 4 | 685 | 100.0 | Using where | ||
1 | SIMPLE | b | ref | idx_orders_user_id_total_amount | idx_orders_user_id_total_amount | 5 | test2.a.user_id | 874 | 100.0 | Using index |
可以看到users表的type为range。能过滤一部分数据量。
查询时间从10s降低到7s,减少数据量证明有效。
第四次优化:小表驱动大表
在 MySQL 中,通常情况下,优化器会根据查询条件和表的大小选择合适的驱动表(即主导表)。
小表驱动大表是一种优化策略,它指的是在连接查询中,优先选择小表作为驱动表,以减少连接操作所需的内存和处理时间。
在第三次优化的结果上,可以尝试使用小表驱动大表优化策略。
sql复制代码-- 第三个版本,小标驱动大表 没啥效果
SELECT a.*,sum(b.total_amount) as total from users a
left join (select user_id,total_amount from orders c where c.user_id > 1033 ) b on a.user_id = b.user_id
where a.user_id > 1033
group by a.user_id;
将left join的表修改为子查询,能提前过滤一部分数据量。
expain结果如下:
id | select_type | table | partitions | type | possible_keys | key | key_len | ref | rows | filtered | Extra |
1 | SIMPLE | a | range | PRIMARY,idx_users_user_id | PRIMARY | 4 | 685 | 100.0 | Using where | ||
1 | SIMPLE | c | ref | idx_orders_user_id_total_amount | idx_orders_user_id_total_amount | 5 | test2.a.user_id | 874 | 100.0 | Using where; Using index |
可以看到explain没什么变化。实际执行效果也没啥变化。
小表驱动大表在这里无效,但是可以结合具体的业务进行优化sql。这个策略是没问题的。
第五次优化:强制索引
当 MySQL 中的 IN 子句用于查询千万级数据时,如果未正确设计和使用索引,可能导致索引失效,从而影响查询性能。
通常情况下,MySQL 的优化器会根据查询条件选择最优的执行计划,包括选择合适的索引。然而,对于大数据量的 IN 子句查询,MySQL 可能无法有效使用索引,从而导致全表扫描或索引失效。
查询sql如下,由于in的数据量不是很稀疏,实际查询强制索引和普通索引效果一致
sql复制代码-- 第五个版本,强制索引
SELECT a.*,sum(b.total_amount) as total from users a left join orders b force index (idx_orders_user_id_total_amount) on a.user_id = b.user_id
where b.user_id in (1033,1034,1035,1036,1037,1038)
group by a.user_id;
-- 第五个版本,不走强制索引
SELECT a.*,sum(b.total_amount) as total from users a left join orders b on a.user_id = b.user_id
where b.user_id in (1033,1034,1035,1036,1037,1038)
group by a.user_id;
查询时间都是零点几秒。
笔者在实际业务中是遇到过这种场景的,业务sql更加复杂。这里由于临时创建的订单用户表没复现。
当你发现explain都是命中索引的,但是查询依然很慢。这个强制索引可以试试。
优化策略
- 提前命中索引,小表驱动大表
- 千万级数据in索引失效,进行强制索引
- 使用覆盖索引解决回表问题
下次该怎么优化SQL
- 数据接近千万级,需要分表,比如按照用户id取模分表。
- 用汇总表代替子查询来命中索引,比如把小时表生成日表、月表汇总数据。
- 关联字段冗余、直接放到一张表就是单表查询了。
- 命中索引,空间换时间,这也是本文分析的场景。
关于命中索引核心点就是覆盖索引,再者是千万数据产生的特有场景需要走强制索引。
tips
explain结果type的含义
在 MySQL 的 EXPLAIN
查询结果中,type
字段表示了查询使用的访问类型,即查询执行过程中的访问方法。
根据不同的访问类型,MySQL 查询优化器将选择不同的执行计划。以下是 type
字段可能的取值及其含义:
- system: 这是最好的情况,表示查询只返回一行结果。这通常是通过直接访问表的
PRIMARY KEY
或唯一索引来完成的。 - const: 表示 MySQL 在查询中找到了常量值,这是在连接的第一个表中进行的。由于这是常量条件,MySQL 只会读取一次表中的一行数据。例如,通过主键访问一行数据。
- eq_ref: 类似于
const
,但在使用了索引的情况下。此类型的查询是通过某个唯一索引来访问表的,对于每个索引键值,表中只有一行匹配。常见于使用主键或唯一索引进行连接操作。 - ref: 表示此查询使用了非唯一索引来查找值。返回的是所有匹配某个单独值的行。该类型一般出现在联接操作中,使用了非唯一索引或者索引前缀。
- range: 表示查询使用了索引来进行范围检索,通常出现在带有范围条件的查询语句中,例如
BETWEEN
、IN()
、>、<
等。 - index: 表示 MySQL 将扫描整个索引来找到所需的行。这通常是在没有合适的索引的情况下,MySQL 会选择使用这种访问类型。
- all: 表示 MySQL 将扫描全表以找到所需的行,这是最差的情况。这种情况下,MySQL 将对表中的每一行执行完整的扫描。
通常来说,type
字段的排序从最好到最差依次是 system
、const
、eq_ref
、ref
、range
、index
、all
,当然,实际情况取决于查询的具体情况、表结构和索引的使用情况。更好的查询性能通常对应着更好的 type
类型。
mysql的回表机制
在 MySQL 中,回表("ref" or "Bookmark Lookup" in English)是指在使用索引进行查询时,MySQL 首先通过索引找到满足条件的行的位置,然后再回到主表(或称为数据表)中查找完整的行数据的过程。
这个过程通常发生在某些查询中,特别是涉及到覆盖索引无法满足查询需求时。
当一个查询不能完全通过索引满足时,MySQL 就需要回到主表中查找更多的信息。这种情况通常出现在以下几种情况下:
- 非覆盖索引查询: 如果查询需要返回主表中未包含在索引中的其他列的数据时,MySQL 就需要回到主表中查找这些额外的列数据。
- 使用索引范围条件: 当查询中使用了范围条件(例如
BETWEEN
、>
、<
等),而索引只能定位到范围起始位置时,MySQL 需要回到主表中检查满足范围条件的完整行。 - 使用了聚簇索引但需要查找的列不在索引中: 在使用了聚簇索引的表中,如果需要查询的列不在聚簇索引中,MySQL 需要回到主表中查找这些列的数据。
当 MySQL 需要执行回表操作时,会发生额外的磁盘访问,因为需要读取主表中的数据。这可能会导致性能下降,特别是在大型数据表中或者在高并发环境中。
为了尽量减少回表操作的发生,可以考虑以下几点:
- 创建覆盖索引:确保查询所需的所有列都包含在索引中,从而避免回表操作。
- 优化查询语句:尽量避免使用范围条件,或者确保所有的过滤条件都可以被索引完全匹配。
- 考虑表设计:在设计数据库表结构时,可以考虑将常用的查询字段都包含在索引中,以减少回表操作的发生。