一次非常有意思的 SQL 优化经历：从 30248.271s 到 0.001s（转） Explain Extended ，然后输入show warnings

待我称王封你为后i 2022-01-28 15:37 229阅读 0赞

## 一次非常有意思的 SQL 优化经历：从 30248.271s 到 0.001s ##

芋道源码

来源：http://t.cn/RARX9wJ

>  *  场景
>  *  索引优化
>  *  单列索引
>  *  多列索引
>  *  索引覆盖
>  *  排序

# 场景 #

我用的数据库是mysql5.6，下面简单的介绍下场景

课程表

create table Course(
    
    c_id int PRIMARY KEY,
    
    name varchar(10)
    
    )

数据100条

学生表:

create table Student(
    
    id int PRIMARY KEY,
    
    name varchar(10)
    
    )

数据70000条

学生成绩表SC

CREATE table SC(
    
        sc_id int PRIMARY KEY,
    
        s_id int,
    
        c_id int,
    
        score int
    
    )

数据70w条

查询目的：

查找语文考100分的考生

查询语句：

select s.* from Student s where s.s_id in (select s_id from SC sc where sc.c_id = 0 and sc.score = 100 )

执行时间：30248.271s

晕,为什么这么慢，先来查看下查询计划：

EXPLAIN
    
    select s.* from Student s where s.s_id in (select s_id from SC sc where sc.c_id = 0 and sc.score = 100 )

![20190524103235733.png][]

image

发现没有用到索引，type全是ALL，那么首先想到的就是建立一个索引，建立索引的字段当然是在where条件的字段。

先给sc表的c\_id和score建个索引

CREATE index sc_c_id_index on SC(c_id);
    CREATE index sc_score_index on SC(score);

再次执行上述查询语句，时间为: 1.054s

快了3w多倍，大大缩短了查询时间，看来索引能极大程度的提高查询效率，建索引很有必要，很多时候都忘记建

索引了，数据量小的的时候压根没感觉，这优化的感觉挺爽。

但是1s的时间还是太长了，还能进行优化吗，仔细看执行计划：

![20190524103247290.png][]

image

查看优化后的sql:

SELECT
        `YSB`.`s`.`s_id` AS `s_id`,
        `YSB`.`s`.`name` AS `name`
    FROM
        `YSB`.`Student` `s`
    WHERE
        < in_optimizer > (
            `YSB`.`s`.`s_id` ,< EXISTS > (
                SELECT
                    1
                FROM
                    `YSB`.`SC` `sc`
                WHERE
                    (
                        (`YSB`.`sc`.`c_id` = 0)
                        AND (`YSB`.`sc`.`score` = 100)
                        AND (
                            < CACHE > (`YSB`.`s`.`s_id`) = `YSB`.`sc`.`s_id`
                        )
                    )
            )
        )

补充：这里有网友问怎么查看优化后的语句

方法如下：

在命令窗口执行 ***Explain Extended   ，然后输入show warnings***

![20190524103303809.png][]

image

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM1Mjc1MjMz_size_16_color_FFFFFF_t_70][]

image

有type=all

按照我之前的想法，该sql的执行的顺序应该是先执行子查询

select s_id from SC sc where sc.c_id = 0 and sc.score = 100

耗时：0.001s

得到如下结果：

image

![20190524103517178.png][]

然后再执行

select s.* from Student s where s.s_id in(7,29,5000)

耗时：0.001s

这样就是相当快了啊，Mysql竟然不是先执行里层的查询，而是将sql优化成了exists子句，并出现了EPENDENT SUBQUERY，

mysql是先执行外层查询，再执行里层的查询，这样就要循环70007\*8次。

那么改用连接查询呢？

SELECT s.* from
    
    Student s
    
    INNER JOIN SC sc
    
    on sc.s_id = s.s_id
    
    where sc.c_id=0 and sc.score=100

这里为了重新分析连接查询的情况，先暂时删除索引sc\_c\_id\_index，sc\_score\_index

执行时间是：0.057s

效率有所提高，看看执行计划：

![20190524103530642.png][]

image

这里有连表的情况出现，我猜想是不是要给sc表的s\_id建立个索引

CREATE index sc\_s\_id\_index on SC(s\_id);

show index from SC

![20190524103541749.png][]

image

在执行连接查询

时间: 1.076s，竟然时间还变长了，什么原因？查看执行计划：

![20190524103552309.png][]

image

优化后的查询语句为：

SELECT
        `YSB`.`s`.`s_id` AS `s_id`,
        `YSB`.`s`.`name` AS `name`
    FROM
        `YSB`.`Student` `s`
    JOIN `YSB`.`SC` `sc`
    WHERE
        (
            (
                `YSB`.`sc`.`s_id` = `YSB`.`s`.`s_id`
            )
            AND (`YSB`.`sc`.`score` = 100)
            AND (`YSB`.`sc`.`c_id` = 0)
        )

貌似是先做的连接查询，再进行的where条件过滤

回到前面的执行计划：

![20190524103605523.png][]

image

这里是先做的where条件过滤，再做连表，执行计划还不是固定的，那么我们先看下标准的sql执行顺序：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM1Mjc1MjMz_size_16_color_FFFFFF_t_70 1][]

image

正常情况下是先join再进行where过滤，但是我们这里的情况，如果先join，将会有70w条数据发送join做操，因此先执行where

过滤是明智方案，现在为了排除mysql的查询优化，我自己写一条优化后的sql

SELECT
        s.*
    FROM
        (
            SELECT
                *
            FROM
                SC sc
            WHERE
                sc.c_id = 0
            AND sc.score = 100
        ) t
    INNER JOIN Student s ON t.s_id = s.s_id

即先执行sc表的过滤，再进行表连接，执行时间为：0.054s

和之前没有建s\_id索引的时间差不多

查看执行计划：

![20190524103625507.png][]

image

先提取sc再连表，这样效率就高多了，现在的问题是提取sc的时候出现了扫描表，那么现在可以明确需要建立相关索引

CREATE index sc_c_id_index on SC(c_id);
    CREATE index sc_score_index on SC(score);

再执行查询：

执行时间为：0.001s，这个时间相当靠谱，快了50倍

执行计划：

![20190524103637778.png][]

image

我们会看到，先提取sc，再连表，都用到了索引。

那么再来执行下sql

SELECT s.* from
    
    Student s
    
    INNER JOIN SC sc
    
    on sc.s_id = s.s_id
    
    where sc.c_id=0 and sc.score=100

执行时间0.001s

执行计划：

![20190524103652285.png][]

image

这里是mysql进行了查询语句优化，先执行了where过滤，再执行连接操作，且都用到了索引。

2015-04-30日补充：最近又重新导入一些生产数据，经测试发现，前几天优化完的sql执行效率又变低了

调整内容为SC表的数据增长到300W,学生分数更为离散。

先回顾下：

show index from SC

![20190524103701637.png][]

image

执行sql

SELECT s.* from
    
    Student s
    
    INNER JOIN SC sc
    
    on sc.s_id = s.s_id
    
    where sc.c_id=81 and sc.score=84

执行时间：0.061s，这个时间稍微慢了点

执行计划：

![20190524103710521.png][]

image

这里用到了intersect并集操作，即两个索引同时检索的结果再求并集，再看字段score和c\_id的区分度，

单从一个字段看，区分度都不是很大，从SC表检索，c\_id=81检索的结果是70001,score=84的结果是39425

而c\_id=81 and score=84 的结果是897，即这两个字段联合起来的区分度是比较高的，因此建立联合索引查询效率

将会更高，从另外一个角度看，该表的数据是300w，以后会更多，就索引存储而言，都是不小的数目，随着数据量的

增加，索引就不能全部加载到内存，而是要从磁盘去读取，这样索引的个数越多，读磁盘的开销就越大，因此根据具体

业务情况建立多列的联合索引是必要的，那么我们来试试吧。

alter table SC drop index sc_c_id_index;
    alter table SC drop index sc_score_index;
    create index sc_c_id_score_index on SC(c_id,score);

执行上述查询语句，消耗时间为：0.007s，这个速度还是可以接收的

执行计划：

![20190524103719654.png][]

image

该语句的优化暂时告一段落

总结：

1.mysql嵌套子查询效率确实比较低

2.可以将其优化成连接查询

3.连接表时，可以先用where条件对表进行过滤，然后做表连接

（虽然mysql会对连表语句做优化）

4.建立合适的索引，必要时建立多列联合索引

5.学会分析sql执行计划，mysql会对sql进行优化，所以分析执行计划很重要

# 索引优化 #

上面讲到子查询的优化，以及如何建立索引，而且在多个字段索引时，分别对字段建立了单个索引

后面发现其实建立联合索引效率会更高，尤其是在数据量较大，单个列区分度不高的情况下。

# 单列索引 #

查询语句如下：

select * from user_test_copy where sex = 2 and type = 2 and age = 10

索引：

CREATE index user_test_index_sex on user_test_copy(sex);
    CREATE index user_test_index_type on user_test_copy(type);
    CREATE index user_test_index_age on user_test_copy(age);

分别对sex,type,age字段做了索引，数据量为300w,查询时间：0.415s

执行计划：

![20190524103731161.png][]

image\_thumb3

发现type=index\_merge

这是mysql对多个单列索引的优化，对结果集采用intersect并集操作

# 多列索引 #

我们可以在这3个列上建立多列索引，将表copy一份以便做测试

create index user_test_index_sex_type_age on user_test(sex,type,age);

查询语句：

select * from user_test where sex = 2 and type = 2 and age = 10

执行时间：0.032s，快了10多倍，且多列索引的区分度越高，提高的速度也越多

执行计划：

![2019052410374386.png][]

image\_thumb5

**最左前缀**

多列索引还有最左前缀的特性：

执行一下语句：

select * from user_test where sex = 2
    select * from user_test where sex = 2 and type = 2
    select * from user_test where sex = 2 and age = 10

都会使用到索引，即索引的第一个字段sex要出现在where条件中

# 索引覆盖 #

就是查询的列都建立了索引，这样在获取结果集的时候不用再去磁盘获取其它列的数据，直接返回索引数据即可

如：

select sex,type,age from user_test where sex = 2 and type = 2 and age = 10

执行时间：0.003s

要比取所有字段快的多

# 排序 #

select * from user_test where sex = 2 and type = 2 ORDER BY user_name

时间：0.139s

在排序字段上建立索引会提高排序的效率

create index user_name_index on user_test(user_name)

最后附上一些sql调优的总结，以后有时间再深入研究

1.  列类型尽量定义成数值类型，且长度尽可能短，如主键和外键，类型字段等等
2.  建立单列索引
3.  根据需要建立多列联合索引

当单个列过滤之后还有很多数据，那么索引的效率将会比较低，即列的区分度较低，

那么如果在多个列上建立索引，那么多个列的区分度就大多了，将会有显著的效率提高。

1.  根据业务场景建立覆盖索引

只查询业务需要的字段，如果这些字段被索引覆盖，将极大的提高查询效率

1.  多表连接的字段上需要建立索引

这样可以极大的提高表连接的效率

1.  where条件字段上需要建立索引
2.  排序字段上需要建立索引
3.  分组字段上需要建立索引
4.  Where条件上不要使用运算函数，以免索引失效

[20190524103235733.png]: /images/20220128/ea40bd621de740be802d3e24dfdac630.png
[20190524103247290.png]: /images/20220128/78b55ad0c2e941209cb9233854267670.png
[20190524103303809.png]: /images/20220128/be7a10b643534a898ae10b36fc1dc775.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM1Mjc1MjMz_size_16_color_FFFFFF_t_70]: /images/20220128/2d3bd289077e46f48ab49e20f9b3a3b0.png
[20190524103517178.png]: /images/20220128/846fb8553e114ba3b26ee9a5b9a1cd47.png
[20190524103530642.png]: /images/20220128/a130318741b84a82bf3747e102bd8b57.png
[20190524103541749.png]: /images/20220128/eebd9608d27d41e38c13a443806107e6.png
[20190524103552309.png]: /images/20220128/98355fc83ae84c02a600478c2d7ea083.png
[20190524103605523.png]: /images/20220128/d4df565376224f8099a8857c931aa58b.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM1Mjc1MjMz_size_16_color_FFFFFF_t_70 1]: /images/20220128/8ba402d2a0274d9aa4b9103747c51f95.png
[20190524103625507.png]: /images/20220128/37e6a73628e7426fad4661d4f9da17e0.png
[20190524103637778.png]: /images/20220128/6af2b7fe850b4d81b386c256ffb48f4c.png
[20190524103652285.png]: /images/20220128/5749d57e69b545b99f8fbdf2978f87c3.png
[20190524103701637.png]: /images/20220128/9c1314d04c144ae182296ef1c2317429.png
[20190524103710521.png]: /images/20220128/d3eb8457c5124f8bb22a2b6dc4c0b697.png
[20190524103719654.png]: /images/20220128/6ad610a72b1a4a0d94f15360498372a7.png
[20190524103731161.png]: /images/20220128/2446639ea3324caf97bdb40507ef8aca.png
[2019052410374386.png]: /images/20220128/c54e2f38463b474ebf732a4366a736c8.png