共計 7846 個字符，預計需要花費 20 分鐘才能閱讀完成。
自動寫代碼機器人，免費開通
這期內容當中丸趣 TV 小編將會給大家帶來有關 MySQL 中索引的原理是什么，文章內容豐富且以專業的角度為大家分析和敘述，閱讀完這篇文章希望大家可以有所收獲。
索引目的
索引的目的在于提高查詢效率，可以類比字典，如果要查“mysql”這個單詞，我們肯定需要定位到 m 字母，然后從下往下找到 y 字母，再找到剩下的 sql。如果沒有索引，那么你可能需要把所有單詞看一遍才能找到你想要的，如果我想找到 m 開頭的單詞呢？或者 ze 開頭的單詞呢？是不是覺得如果沒有索引，這個事情根本無法完成？
索引原理
除了詞典，生活中隨處可見索引的例子，如火車站的車次表、圖書的目錄等。它們的原理都是一樣的，通過不斷的縮小想要獲得數據的范圍來篩選出最終想要的結果，同時把隨機的事件變成順序的事件，也就是我們總是通過同一種查找方式來鎖定數據。
數據庫也是一樣，但顯然要復雜許多，因為不僅面臨著等值查詢，還有范圍查詢 (、、between、in)、模糊查詢(like)、并集查詢(or) 等等。數據庫應該選擇怎么樣的方式來應對所有的問題呢？我們回想字典的例子，能不能把數據分成段，然后分段查詢呢？最簡單的如果 1000 條數據，1 到 100 分成第一段，101 到 200 分成第二段，201 到 300 分成第三段……這樣查第 250 條數據，只要找第三段就可以了，一下子去除了 90% 的無效數據。但如果是 1 千萬的記錄呢，分成幾段比較好？稍有算法基礎的同學會想到搜索樹，其平均復雜度是 lgN，具有不錯的查詢性能。但這里我們忽略了一個關鍵的問題，復雜度模型是基于每次相同的操作成本來考慮的，數據庫實現比較復雜，數據保存在磁盤上，而為了提高性能，每次又可以把部分數據讀入內存來計算，因為我們知道訪問磁盤的成本大概是訪問內存的十萬倍左右，所以簡單的搜索樹難以滿足復雜的應用場景。
磁盤 IO 與預讀
前面提到了訪問磁盤，那么這里先簡單介紹一下磁盤 IO 和預讀，磁盤讀取數據靠的是機械運動，每次讀取數據花費的時間可以分為尋道時間、旋轉延遲、傳輸時間三個部分，尋道時間指的是磁臂移動到指定磁道所需要的時間，主流磁盤一般在 5ms 以下；旋轉延遲就是我們經常聽說的磁盤轉速，比如一個磁盤 7200 轉，表示每分鐘能轉 7200 次，也就是說 1 秒鐘能轉 120 次，旋轉延遲就是 1 /120/2 = 4.17ms；傳輸時間指的是從磁盤讀出或將數據寫入磁盤的時間，一般在零點幾毫秒，相對于前兩個時間可以忽略不計。那么訪問一次磁盤的時間，即一次磁盤 IO 的時間約等于 5 +4.17 = 9ms 左右，聽起來還挺不錯的，但要知道一臺 500 -MIPS 的機器每秒可以執行 5 億條指令，因為指令依靠的是電的性質，換句話說執行一次 IO 的時間可以執行 40 萬條指令，數據庫動輒十萬百萬乃至千萬級數據，每次 9 毫秒的時間，顯然是個災難。下圖是計算機硬件延遲的對比圖，供大家參考：
various-system-software-hardware-latencies
考慮到磁盤 IO 是非常高昂的操作，計算機操作系統做了一些優化，當一次 IO 時，不光把當前磁盤地址的數據，而是把相鄰的數據也都讀取到內存緩沖區內，因為局部預讀性原理告訴我們，當計算機訪問一個地址的數據的時候，與其相鄰的數據也會很快被訪問到。每一次 IO 讀取的數據我們稱之為一頁(page)。具體一頁有多大數據跟操作系統有關，一般為 4k 或 8k，也就是我們讀取一頁內的數據時候，實際上才發生了一次 IO，這個理論對于索引的數據結構設計非常有幫助。
索引的數據結構
前面講了生活中索引的例子，索引的基本原理，數據庫的復雜性，又講了操作系統的相關知識，目的就是讓大家了解，任何一種數據結構都不是憑空產生的，一定會有它的背景和使用場景，我們現在總結一下，我們需要這種數據結構能夠做些什么，其實很簡單，那就是：每次查找數據時把磁盤 IO 次數控制在一個很小的數量級，最好是常數數量級。那么我們就想到如果一個高度可控的多路搜索樹是否能滿足需求呢？就這樣，b+ 樹應運而生。
詳解 b + 樹
b+ 樹
如上圖，是一顆 b + 樹，關于 b + 樹的定義可以參見 B + 樹，這里只說一些重點，淺藍色的塊我們稱之為一個磁盤塊，可以看到每個磁盤塊包含幾個數據項（深藍色所示）和指針（黃色所示），如磁盤塊 1 包含數據項 17 和 35，包含指針 P1、P2、P3，P1 表示小于 17 的磁盤塊，P2 表示在 17 和 35 之間的磁盤塊，P3 表示大于 35 的磁盤塊。真實的數據存在于葉子節點即 3、5、9、10、13、15、28、29、36、60、75、79、90、99。非葉子節點只不存儲真實的數據，只存儲指引搜索方向的數據項，如 17、35 并不真實存在于數據表中。
b+ 樹的查找過程
如圖所示，如果要查找數據項 29，那么首先會把磁盤塊 1 由磁盤加載到內存，此時發生一次 IO，在內存中用二分查找確定 29 在 17 和 35 之間，鎖定磁盤塊 1 的 P2 指針，內存時間因為非常短（相比磁盤的 IO）可以忽略不計，通過磁盤塊 1 的 P2 指針的磁盤地址把磁盤塊 3 由磁盤加載到內存，發生第二次 IO，29 在 26 和 30 之間，鎖定磁盤塊 3 的 P2 指針，通過指針加載磁盤塊 8 到內存，發生第三次 IO，同時內存中做二分查找找到 29，結束查詢，總計三次 IO。真實的情況是，3 層的 b + 樹可以表示上百萬的數據，如果上百萬的數據查找只需要三次 IO，性能提高將是巨大的，如果沒有索引，每個數據項都要發生一次 IO，那么總共需要百萬次的 IO，顯然成本非常非常高。
b+ 樹性質
通過上面的分析，我們知道 IO 次數取決于 b + 數的高度 h，假設當前數據表的數據為 N，每個磁盤塊的數據項的數量是 m，則有 h =㏒(m+1)N，當數據量 N 一定的情況下，m 越大，h 越小；而 m = 磁盤塊的大小 / 數據項的大小，磁盤塊的大小也就是一個數據頁的大小，是固定的，如果數據項占的空間越小，數據項的數量越多，樹的高度越低。這就是為什么每個數據項，即索引字段要盡量的小，比如 int 占 4 字節，要比 bigint8 字節少一半。這也是為什么 b + 樹要求把真實的數據放到葉子節點而不是內層節點，一旦放到內層節點，磁盤塊的數據項會大幅度下降，導致樹增高。當數據項等于 1 時將會退化成線性表。
當 b + 樹的數據項是復合的數據結構，比如 (name,age,sex) 的時候，b+ 數是按照從左到右的順序來建立搜索樹的，比如當 (張三,20,F) 這樣的數據來檢索的時候，b+ 樹會優先比較 name 來確定下一步的所搜方向，如果 name 相同再依次比較 age 和 sex，最后得到檢索的數據；但當 (20,F) 這樣的沒有 name 的數據來的時候，b+ 樹就不知道下一步該查哪個節點，因為建立搜索樹的時候 name 就是第一個比較因子，必須要先根據 name 來搜索才能知道下一步去哪里查詢。比如當 (張三,F) 這樣的數據來檢索時，b+ 樹可以用 name 來指定搜索方向，但下一個字段 age 的缺失，所以只能把名字等于張三的數據都找到，然后再匹配性別是 F 的數據了，這個是非常重要的性質，即索引的最左匹配特性。
關于 MySQL 索引原理是比較枯燥的東西，大家只需要有一個感性的認識，并不需要理解得非常透徹和深入。我們回頭來看看一開始我們說的慢查詢，了解完索引原理之后，大家是不是有什么想法呢？先總結一下索引的幾大基本原則：
建索引的幾大原則最左前綴匹配原則，非常重要的原則，mysql 會一直向右匹配直到遇到范圍查詢 (、、between、like) 就停止匹配，比如 a = 1 and b = 2 and c 3 and d = 4 如果建立 (a,b,c,d) 順序的索引，d 是用不到索引的，如果建立 (a,b,d,c) 的索引則都可以用到，a,b,d 的順序可以任意調整。= 和 in 可以亂序，比如 a = 1 and b = 2 and c = 3 建立 (a,b,c) 索引可以任意順序，mysql 的查詢優化器會幫你優化成索引可以識別的形式。盡量選擇區分度高的列作為索引, 區分度的公式是 count(distinct col)/count(*)，表示字段不重復的比例，比例越大我們掃描的記錄數越少，唯一鍵的區分度是 1，而一些狀態、性別字段可能在大數據面前區分度就是 0，那可能有人會問，這個比例有什么經驗值嗎？使用場景不同，這個值也很難確定，一般需要 join 的字段我們都要求是 0.1 以上，即平均 1 條掃描 10 條記錄。索引列不能參與計算，保持列“干凈”，比如 from_unixtime(create_time) = 2014-05-29 就不能使用到索引，原因很簡單，b+ 樹中存的都是數據表中的字段值，但進行檢索時，需要把所有元素都應用函數才能比較，顯然成本太大。所以語句應該寫成 create_time = unix_timestamp(2014-05-29)。盡量的擴展索引，不要新建索引。比如表中已經有 a 的索引，現在要加 (a,b) 的索引，那么只需要修改原來的索引即可。回到開始的慢查詢
根據最左匹配原則，最開始的 sql 語句的索引應該是 status、operator_id、type、operate_time 的聯合索引；其中 status、operator_id、type 的順序可以顛倒，所以我才會說，把這個表的所有相關查詢都找到，會綜合分析；比如還有如下查詢：
span > span >那么索引建立成 (status,type,operator_id,operate_time) 就是非常正確的，因為可以覆蓋到所有情況。這個就是利用了索引的最左匹配的原則
查詢優化神器 – explain 命令
關于 explain 命令相信大家并不陌生，具體用法和字段含義可以參考官網 explain-output，這里需要強調 rows 是核心指標，絕大部分 rows 小的語句執行一定很快（有例外，下面會講到）。所以優化語句基本上都是在優化 rows。
慢查詢優化基本步驟先運行看看是否真的很慢，注意設置 SQL_NO_CACHEwhere 條件單表查，鎖定最小返回記錄表。這句話的意思是把查詢語句的 where 都應用到表中返回的記錄數最小的表開始查起，單表每個字段分別查詢，看哪個字段的區分度最高 explain 查看執行計劃，是否與 1 預期一致（從鎖定記錄較少的表開始查詢）order by limit 形式的 sql 語句讓排序的表優先查了解業務方使用場景加索引時參照建索引的幾大原則觀察結果，不符合預期繼續從 0 分析幾個慢查詢案例
下面幾個例子詳細解釋了如何分析和優化慢查詢。
復雜語句寫法
很多情況下，我們寫 SQL 只是為了實現功能，這只是第一步，不同的語句書寫方式對于效率往往有本質的差別，這要求我們對 mysql 的執行計劃和索引原則有非常清楚的認識，請看下面的語句：
span >先運行一下，53 條記錄 1.87 秒，又沒有用聚合語句，比較慢
53 rows in span >explain
+ span > 簡述一下執行計劃，首先 mysql 根據 idx_last_upd_date 索引掃描 cm_log 表獲得 379 條記錄；然后查表掃描了 63727 條記錄，分為兩部分，derived 表示構造表，也就是不存在的表，可以簡單理解成是一個語句形成的結果集，后面的數字表示語句的 ID。derived2 表示的是 ID = 2 的查詢構造了虛擬表，并且返回了 63727 條記錄。我們再來看看 ID = 2 的語句究竟做了寫什么返回了這么大量的數據，首先全表掃描 employee 表 13317 條記錄，然后根據索引 emp_certificate_empid 關聯 emp_certificate 表，rows = 1 表示，每個關聯都只鎖定了一條記錄，效率比較高。獲得后，再和 cm_log 的 379 條記錄根據規則關聯。從執行過程上可以看出返回了太多的數據，返回的數據絕大部分 cm_log 都用不到，因為 cm_log 只鎖定了 379 條記錄。
如何優化呢？可以看到我們在運行完后還是要和 cm_log 做 join, 那么我們能不能之前和 cm_log 做 join 呢？仔細分析語句不難發現，其基本思想是如果 cm_log 的 ref_table 是 EmpCertificate 就關聯 emp_certificate 表，如果 ref_table 是 Employee 就關聯 employee 表，我們完全可以拆成兩部分，并用 union 連接起來，注意這里用 union，而不用 union all 是因為原語句有“distinct”來得到唯一的記錄，而 union 恰好具備了這種功能。如果原語句中沒有 distinct 不需要去重，我們就可以直接使用 union all 了，因為使用 union 需要去重的動作，會影響 SQL 性能。
優化過的語句如下：
span >不需要了解業務場景，只需要改造的語句和改造之前的語句保持結果一致
現有索引可以滿足，不需要建索引
用改造后的語句實驗一下，只需要 10ms 降低了近 200 倍！
+ span >明確應用場景
舉這個例子的目的在于顛覆我們對列的區分度的認知，一般上我們認為區分度越高的列，越容易鎖定更少的記錄，但在一些特殊的情況下，這種理論是有局限性的。
span >先看看運行多長時間,951 條數據 6.22 秒，真的很慢。
951 rows in span >先 explain，rows 達到了 361 萬，type = ALL 表明是全表掃描。
+ span >所有字段都應用查詢返回記錄數，因為是單表查詢 0 已經做過了 951 條。
讓 explain 的 rows 盡量逼近 951。
看一下 accurate_result = 1 的記錄數：
span >我們看到 accurate_result 這個字段的區分度非常低，整個表只有 -1,0,1 三個值，加上索引也無法鎖定特別少量的數據。
再看一下 sync_status 字段的情況：
span >同樣的區分度也很低，根據理論，也不適合建立索引。
問題分析到這，好像得出了這個表無法優化的結論，兩個列的區分度都很低，即便加上索引也只能適應這種情況，很難做普遍性的優化，比如當 sync_status 0、3 分布的很平均，那么鎖定記錄也是百萬級別的。
找業務方去溝通，看看使用場景。業務方是這么來使用這個 SQL 語句的，每隔五分鐘會掃描符合條件的數據，處理完成后把 sync_status 這個字段變成 1, 五分鐘符合條件的記錄數并不會太多，1000 個左右。了解了業務方的使用場景后，優化這個 SQL 就變得簡單了，因為業務方保證了數據的不平衡，如果加上索引可以過濾掉絕大部分不需要的數據。
根據建立索引規則，使用如下語句建立索引
span > 觀察預期結果, 發現只需要 200ms，快了 30 多倍。
952 rows in span >我們再來回顧一下分析問題的過程，單表查詢相對來說比較好優化，大部分時候只需要把 where 條件里面的字段依照規則加上索引就好，如果只是這種“無腦”優化的話，顯然一些區分度非常低的列，不應該加索引的列也會被加上索引，這樣會對插入、更新性能造成嚴重的影響，同時也有可能影響其它的查詢語句。所以我們第 4 步調差 SQL 的使用場景非常關鍵，我們只有知道這個業務場景，才能更好地輔助我們更好的分析和優化查詢語句。
無法優化的語句
span > 還是幾個步驟。
先看語句運行多長時間，10 條記錄用了 13 秒，已經不可忍受。
10 rows in span >explain
+ span >從執行計劃上看，mysql 先查 org_emp_info 表掃描 8849 記錄，再用索引 idx_userid_status 關聯 branch_user 表，再用索引 idx_branch_id 關聯 contact_branch 表，最后主鍵關聯 contact 表。
rows 返回的都非常少，看不到有什么異常情況。我們在看一下語句，發現后面有 order by + limit 組合，會不會是排序量太大搞的？于是我們簡化 SQL，去掉后面的 order by 和 limit，看看到底用了多少記錄來排序。
span >發現排序之前居然鎖定了 778878 條記錄，如果針對 70 萬的結果集排序，將是災難性的，怪不得這么慢，那我們能不能換個思路，先根據 contact 的 created_time 排序，再來 join 會不會比較快呢？
于是改造成下面的語句，也可以用 straight_join 來優化：
select c.id, c.name, c.position, c.sex, c.phone, c.office_phone, c.feature_info, c.birthday, c.creator_id, c.is_keyperson, c.giveup_reason, c.status, c.data_source, from_unixtime(c.created_time) as created_time, from_unixtime(c.last_modified) as last_modified, c.last_modified_user_idfrom contact cwhere exists ( select 1 from contact_branch cbinner join branch_user buon cb.branch_id = bu.branch_idand bu.status in ( 1, 2)inner join org_emp_info oeion oei.data_id = bu.user_idand oei.node_left = 2875and oei.node_right = 10802and oei.org_category = – 1where c.id = cb.contact_id)order by c.created_time desc limit 0 , 10;
驗證一下效果 預計在
span >本以為至此大工告成，但我們在前面的分析中漏了一個細節，先排序再 join 和先 join 再排序理論上開銷是一樣的，為何提升這么多是因為有一個 limit！大致執行過程是：mysql 先按索引排序得到前 10 條記錄，然后再去 join 過濾，當發現不夠 10 條的時候，再次去 10 條，再次 join，這顯然在內層 join 過濾的數據非常多的時候，將是災難的，極端情況，內層一條數據都找不到，mysql 還傻乎乎的每次取 10 條，幾乎遍歷了這個數據表！
用不同參數的 SQL 試驗下：
span >2 min 18.99 sec！比之前的情況還糟糕很多。由于 mysql 的 nested loop 機制，遇到這種情況，基本是無法優化的。這條語句最終也只能交給應用系統去優化自己的邏輯了。通過這個例子我們可以看到，并不是所有語句都能優化，而往往我們優化時，由于 SQL 用例回歸時落掉一些極端情況，會造成比原來還嚴重的后果。所以，第一：不要指望所有語句都能通過 SQL 優化，第二：不要過于自信，只針對具體 case 來優化，而忽略了更復雜的情況。
慢查詢的案例就分析到這兒，以上只是一些比較典型的案例。我們在優化過程中遇到過超過 1000 行，涉及到 16 個表 join 的“垃圾 SQL”，也遇到過線上線下數據庫差異導致應用直接被慢查詢拖死，也遇到過 varchar 等值比較沒有寫單引號，還遇到過笛卡爾積查詢直接把從庫搞死。再多的案例其實也只是一些經驗的積累，如果我們熟悉查詢優化器、索引的內部原理，那么分析這些案例就變得特別簡單了。
上述就是丸趣 TV 小編為大家分享的 MySQL 中索引的原理是什么了，如果剛好有類似的疑惑，不妨參照上述分析進行理解。如果想知道更多相關知識，歡迎關注丸趣 TV 行業資訊頻道。
向 AI 問一下細節
