MySQL优化器选错索引情况

浅浅的花香味﹌ 2024-04-01 18:03 70阅读 0赞

#### MySQL优化器选错索引情况 ####

*  1. 优化器选错索引
 *  2. 优化器的逻辑
 *  3. 索引选择异常和处理

## 1. 优化器选错索引 ##

之前MySQL架构以及执行sql查询语句介绍过MySQL优化器可以帮助我们优化sql语句，选择合适的索引以及是选择先投影还是先过滤更优，但是在实际使用中发现MySQL优化器也会存在选择错误索引的情况，之前的介绍可以参考：[MySQL是如何执行一条SQL查询语句的][MySQL_SQL]

我们先建一个简单的表，表里有a、b两个字段，并分别建上索引：

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

使用存储过程往表t中插入10万行记录，取值按整数递增，即：(1,1,1)，(2,2,2)，(3,3,3) 直到(100000,100000,100000)。

delimiter ;;
    create procedure idata()
    begin
    declare i int;
    set i=1;
    while(i<=100000)do
    insert into t values(i, i, i);
    set i=i+1;
    end while;
    end;;
    delimiter ;
    call idata();

们分析一条SQL语句：

mysql>explain select * from t where a between 10000 and 20000;

通过执行计划可以看到这条查询语句的执行也确实符合预期，key这个字段值是’a’，表示优化器选择了索引a。  
![在这里插入图片描述][fe5b2faff9ef4fa18bacebb645b550f5.png]在我们已经准备好的包含了10万行数据的表上，我们再做如下操作。  
![在这里插入图片描述][f6e941de49144cc38fa3933ab909fb58.png]这里，session A的操作你已经很熟悉了，它就是开启了一个事务。随后，session B把数据都删除后，又调用了 idata这个存储过程，插入了10万行数据。  
这时候，session B的查询语句select \*fromt where a between 10000 and 20000就不会再选择索引a了。我们可以通过慢查询日志（slowlog）来查看一下具体的执行情况。  
为了说明优化器选择的结果是否正确，我增加了一个对照，即：使用force index(a)来让优化器强制使用索引a（这部分内容，我还会在这篇文章的后半部分中提到）。

下面的三条SQL语句，就是这个实验过程

-- 查询是否开启慢查询以及慢查询时间阈值
    show variables like 'slow_query%';
    show variables like 'long_query%';
    -- 如果你的查询后的结果是OFF状态的话，就需要通过相关设置将其修改为ON状态：
    set global slow_query_log='ON';
    -- 设置慢查询日志文件保存的位置
    -- 默认日志路径，C:\ProgramData\MySQL\MySQL Server 5.7\Data
    set global slow_query_log_file='/var/lib/mysql/slow_query_log.log';
    
    -- 设置慢sql时间
    set long_query_time=0;
    select * from t where a between 10000 and 20000; /*Q1*/
    select * from t force index(a) where a between 10000 and 20000;/*Q2*/

第一句，是将慢查询日志的阈值设置为0，表示这个线程接下来的语句都会被记录入慢查询日志中；  
第二句，Q1是session B原来的查询；  
第三句，Q2是加了force index(a)来和session B原来的查询语句执行情况对比。

如图3所示是这三条SQL语句执行完成后的慢查询日志。  
![在这里插入图片描述][e8cf8384e4e24ba88700dd94e80304d3.png]可以看到，Q1扫描了10万行，显然是走了全表扫描，执行时间是40毫秒。Q2扫描了10001行，执行了21毫秒。也就是说，我们在没有使用force index的时候，MySQL用错了索引，导致了更长的执行时间。

这个例子对应的是我们平常不断地删除历史数据和新增数据的场景。这时，MySQL竟然会选错索引，是不是有点奇怪呢？今天，我们就从这个奇怪的结果说起吧。

## 2. 优化器的逻辑 ##

之前在索引详解的文章中介绍过选择索引是优化器的工作，而优化器选择优化器的目的就是找到一个最优的执行方案，并用最小的代价去执行语句。在数据库里面，扫描行数是影响执行代价的因素之一，扫描行数越少，意味着访问磁盘数据的次数越少，IO次数越少，消耗cpu资源越少，性能越好。

当然，扫描行数并不是唯一的判断标准，优化器还会结合是否使用临时表、是否排序等因素进行综合判断。我们这个简单的查询语句并没有涉及到临时表和排序，所以MySQL选错索引肯定是在判断扫描行数的时候出问题了。

那么，问题就是：扫描行数是怎么判断的？  
MySQL在真正开始执行语句之前，并不能精确地知道满足这个条件的记录有多少条，而只能根据统计信息来估算记录数。  
这个统计信息就是索引的“区分度”。显然，一个索引上不同的值越多，这个索引的区分度就越好。而一个索引上不同的值的个数，我们称之为“基数”（cardinality）。也就是说，这个基数越大，索引的区分度越好。

我们可以使用showindex方法，看到一个索引的基数。如图4所示，就是表t的showindex的结果。虽然这个表的每一行的三个字段值都是一样的，但是在统计信息中，这三个索引的基数值并不同，而且其实都不准确。  
![在这里插入图片描述][2dc5e82cfe4e4bac9f3ddbdfedc3a970.png]那么，MySQL是怎样得到索引的基数的呢？ 是 这里，我给你简单介绍一下MySQL采样统计的方法。

为什么要采样统计呢？因为把整张表取出来一行行统计，虽然可以得到精确的结果，但是代价太高了，所以只能选择“采样统计”。采样统计的时候，InnoDB默认会选择N个数据页，统计这些页面上的不同值，得到一个平均值，然后乘以这个索引的页面数，就得到了这个索引的基数。而数据表是会持续更新的，索引统计信息也不会固定不变。所以，当变更的数据行数超过1/M的时候，会自动触发重新做一次索引统计。

在MySQL中，有两种存储索引统计的方式，可以通过设置参数innodb\_stats\_persistent的值来选择：

*  设置为on的时候，表示统计信息会持久化存储。这时，默认的N是20，M是10。
 *  设置为off的时候，表示统计信息只存储在内存中。这时，默认的N是8，M是16。  
    由于是采样统计，所以不管N是20还是8，这个基数都是很容易不准的，但，这还不是全部。

你可以从图4中看到，这次的索引统计值（cardinality列）虽然不够精确，但大体上还是差不多的，选错索引一定还有别的原因。  
其实索引统计只是一个输入，对于一个具体的语句来说，优化器还要判断，执行这个语句本身要扫描多少行。  
接下来，我们再一起看看优化器预估的，这两个语句的扫描行数是多少。  
![在这里插入图片描述][76b03c11152f4aa4aac1901ed65d17c3.png]rows这个字段表示的是预计扫描行数。  
其中，Q1的结果还是符合预期的，rows的值是104620；但是Q2的rows值是37116，偏差就大了。而图1中我们用explain命令看到的rows是只有10001行，是这个偏差误导了优化器的判断。到这里，可能你的第一个疑问不是为什么不准，而是优化器为什么放着扫描37000行的执行计划不用，却选择了扫描行数是100000的执行计划呢？

这是因为，如果使用索引a，每次从索引a上拿到一个值，都要回到主键索引上查出整行数据，这个代价优化器也要算进去的。而如果选择扫描10万行，是直接在主键索引上扫描的，没有额外的代价。优化器会估算这两个选择的代价，从结果看来，优化器认为直接扫描主键索引更快。当然，从执行时间看来，这个选择并不是最优的。使用普通索引需要把回表的代价算进去，在图1执行explain的时候，也考虑了这个策略的代价 ，但图1的选择是对的。也就是说，这个策略并没有问题。所以冤有头债有主，MySQL选错索引，这件事儿还得归咎到没能准确地判断出扫描行数。至于为什么会得到错误的扫描行数，这个原因留给你去分析了。

既然是统计信息不对，那就修正。analyze table t 命令，可以用来重新统计索引信息。我们来看一下执行效果。  
![在这里插入图片描述][ca4ba584c7c9443a9524a75af2e19d0a.png]这回对了。  
**所以在实践中，如果你发现explain的结果预估的rows值跟实际情况差距比较大，可以采用这个方法来处理。  
其实，如果只是索引统计不准确，通过analyze命令可以解决很多问题，但是前面我们说了，优化器可不止是看扫描行数。**

依然是基于这个表t，我们看看另外一个语句：

-- 从条件上看，这个查询没有符合条件的记录，因此会返回空集合。
    select * from t where (a between 1 and 1000) and (b between 50000 and 100000) order by b limit 1;
    
    -- 执行计划
    explain select * from t where (a between 1 and 1000) and (b between 50000 and 100000) order by b limit 1;

![在这里插入图片描述][48ff111e27ad4e8791f523c190bcaf64.png]可以看到，返回结果中key字段显示，这次优化器选择了索引b，而rows字段显示需要扫描的行  
数是50198。从这个结果中，你可以得到两个结论：

1.  扫描行数的估计值依然不准确；
2.  这个例子里MySQL又选错了索引。

## 3. 索引选择异常和处理 ##

其实大多数时候优化器都能找到正确的索引，但偶尔你还是会碰到我们上面举例的这两种情况：  
原本可以执行得很快的SQL语句，执行速度却比你预期的慢很多，你应该怎么办呢？

第一种方法是，像我们第一个例子一样，采用 一 force index f 强行选择一个索引。 强 MySQL会根据词法解析的结果分析出可能可以使用的索引作为候选项，然后在候选列表中依次判断每个索引需要扫描多少行。如果force index指定的索引在候选索引列表中，就直接选择这个索引，不再评估其他索引的执行代价。

也就是说，优化器没有选择正确的索引，force index起到了“矫正”的作用。不过很多程序员不喜欢使用force index，一来这么写不优美，二来如果索引改了名字，这个语句也得改，显得很麻烦。而且如果以后迁移到别的数据库的话，这个语法还可能会不兼容。但其实使用force index最主要的问题还是变更的及时性。因为选错索引的情况还是比较少出现的，所以开发的时候通常不会先写上force index。而是等到线上出现问题的时候，你才会再去修改SQL语句、加上force index。但是修改之后还要测试和发布，对于生产系统来说，这个过程不够敏捷。

所以，数据库的问题最好还是在数据库内部来解决。那么，在数据库里面该怎样解决呢？  
第二种方法就是，既然优化器放弃了使用索引a，说明a还不够合适，我们可以考虑修改语句，引导 语 MySQL M 使用我们期望的索引。 使 比如，在这个例子里，显然把“order byb limit 1” 改成 “order byb,a limit 1” ，语义的逻辑是相同的。

第三种方法是，在有些场景下，我们可以新建一个更合适的索引，提供给优化器做选择，或删掉误用的索引。  
不过，在这个例子中，我没有找到通过新增索引来改变优化器行为的方法。这种情况其实比较少，尤其是经过DBA索引优化过的库，再碰到这个bug，找到一个更合适的索引一般比较难。如果我说还有一个方法是删掉索引b，你可能会觉得好笑。但实际上我碰到过两次这样的例子，最终是DBA跟业务开发沟通后，发现这个优化器错误选择的索引其实根本没有必要存在，于是就删掉了这个索引，优化器也就重新选择到了正确的索引。

[MySQL_SQL]: https://blog.csdn.net/m0_37583655/article/details/127646825
[fe5b2faff9ef4fa18bacebb645b550f5.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/01/ca8f9dc6922346149e50c1e99cafdfb5.png
[f6e941de49144cc38fa3933ab909fb58.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/01/8ba2dcb1dc1243849f49ff9a225fcbeb.png
[e8cf8384e4e24ba88700dd94e80304d3.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/01/631bd3c725db4af58679a87f94ac85ac.png
[2dc5e82cfe4e4bac9f3ddbdfedc3a970.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/01/92801a6b009b4997b435ca7721d037dd.png
[76b03c11152f4aa4aac1901ed65d17c3.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/01/d3f4b6ca7d594212840f94bd20576096.png
[ca4ba584c7c9443a9524a75af2e19d0a.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/01/2dc6b1845bec46c78e4e26c557a2811a.png
[48ff111e27ad4e8791f523c190bcaf64.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/01/a78b6a8750054cd8953d21ffa667ab93.png