MySQL索引原理
一、初识索引
1.1 为什么要有索引？
一般的应用系统，读写比例在10:1左右，而且插入操作和一般的更新操作很少出现性能问题，在生产环境中，我们遇到最多的，也是最容易出问题的，还是一些复杂的查询操作，因此对查询语句的优化显然是重中之重。说起加速查询，就不得不提到索引了。
1.2 什么是索引？
索引在mysql中也叫是一种“键”，是存储引擎用于快速找到记录的一种数据结构。索引对于良好的性能非常关键，尤其是当表中的数据量越来越大时，索引对于性能的影响愈发重要。
索引优化应该是对查询性能优化最有效的手段了。索引能够轻易将查询性能提高好几个数量级。
索引相当于字典的音序表，如果要查某个字，如果不使用音序表，则需要从几百页中逐页去查。
1.3 你是否对索引存在误解？
索引是应用程序设计和开发的一个重要方面。若索引太多，应用程序的性能可能会受到影响。而索引太少，对查询性能又会产生影响，要找到一个平衡点，这对应用程序的性能至关重要。一些开发人员总是在事后才想起添加索引----我一直认为，这源于一种错误的开发模式。如果知道数据的使用，从一开始就应该在需要处添加索引。开发人员往往对数据库的使用停留在应用的层面，比如编写sql语句、存储过程之类，他们甚至可能不知道索引的存在，或认为事后让相关dba加上即可。dba往往不够了解业务的数据流，而添加索引需要通过监控大量的sql语句进而从中找到问题，这个步骤所需的时间肯定是远大于初始添加索引所需的时间，并且可能会遗漏一部分的索引。当然索引也并不是越多越好，我曾经遇到过这样一个问题：某台mysql服务器iostat显示磁盘使用率一直处于100%，经过分析后发现是由于开发人员添加了太多的索引，在删除一些不必要的索引之后，磁盘使用率马上下降为20%。可见索引的添加也是非常有技术含量的。
二、索引的原理
2.1 索引原理
索引的目的在于提高查询效率，与我们查阅图书所用的目录是一个道理：先定位到章，然后定位到该章下的一个小节，然后找到页数。相似的例子还有：查字典，查火车车次，飞机航班等
本质都是：通过不断地缩小想要获取数据的范围来筛选出最终想要的结果，同时把随机的事件变成顺序的事件，也就是说，有了这种索引机制，我们可以总是用同一种查找方式来锁定数据。
数据库也是一样，但显然要复杂的多，因为不仅面临着等值查询，还有范围查询(>、<、between、in)、模糊查询(like)、并集查询(or)等等。数据库应该选择怎么样的方式来应对所有的问题呢？我们回想字典的例子，能不能把数据分成段，然后分段查询呢？最简单的如果1000条数据，1到100分成第一段，101到200分成第二段，201到300分成第三段......这样查第250条数据，只要找第三段就可以了，一下子去除了90%的无效数据。但如果是1千万的记录呢，分成几段比较好？稍有算法基础的同学会想到搜索树，其平均复杂度是lgn，具有不错的查询性能。但这里我们忽略了一个关键的问题，复杂度模型是基于每次相同的操作成本来考虑的。而数据库实现比较复杂，一方面数据是保存在磁盘上的，另外一方面为了提高性能，每次又可以把部分数据读入内存来计算，因为我们知道访问磁盘的成本大概是访问内存的十万倍左右，所以简单的搜索树难以满足复杂的应用场景。
2.2 磁盘io与预读
前面提到了访问磁盘，那么这里先简单介绍一下磁盘io和预读，磁盘读取数据靠的是机械运动，每次读取数据花费的时间可以分为寻道时间、旋转延迟、传输时间三个部分，寻道时间指的是磁臂移动到指定磁道所需要的时间，主流磁盘一般在5ms以下；旋转延迟就是我们经常听说的磁盘转速，比如一个磁盘7200转，表示每分钟能转7200次，也就是说1秒钟能转120次，旋转延迟就是1/120/2 = 4.17ms；传输时间指的是从磁盘读出或将数据写入磁盘的时间，一般在零点几毫秒，相对于前两个时间可以忽略不计。那么访问一次磁盘的时间，即一次磁盘io的时间约等于5+4.17 = 9ms左右，听起来还挺不错的，但要知道一台500 -mips（million instructions per second）的机器每秒可以执行5亿条指令，因为指令依靠的是电的性质，换句话说执行一次io的时间可以执行约450万条指令，数据库动辄十万百万乃至千万级数据，每次9毫秒的时间，显然是个灾难。下图是计算机硬件延迟的对比图，供大家参考：
考虑到磁盘io是非常高昂的操作，计算机操作系统做了一些优化，当一次io时，不光把当前磁盘地址的数据，而是把相邻的数据也都读取到内存缓冲区内，因为局部预读性原理告诉我们，当计算机访问一个地址的数据的时候，与其相邻的数据也会很快被访问到。每一次io读取的数据我们称之为一页(page)。具体一页有多大数据跟操作系统有关，一般为4k或8k，也就是我们读取一页内的数据时候，实际上才发生了一次io，这个理论对于索引的数据结构设计非常有帮助。
三、索引的数据结构
mysql索引的数据结构-b+树介绍：https://www.cnblogs.com/nickchen121/p/11152523.html
四、mysql索引管理
4.1 功能
- 索引的功能就是加速查找
- mysql中的primary key，unique，联合唯一也都是索引，这些索引除了加速查找以外，还有约束的功能
4.2 mysql常用的索引
普通索引index：加速查找
- 唯一索引：
- 主键索引primary key：加速查找+约束（不为空、不能重复）
- 唯一索引unique:加速查找+约束（不能重复）
- 联合索引：
- primary key(id,name):联合主键索引
- unique(id,name):联合唯一索引
- index(id,name):联合普通索引
4.3 各个索引应用场景
举个例子来说，比如你在为某商场做一个会员卡的系统。 这个系统有一个会员表 有下列字段： 会员编号 int 会员姓名 varchar(10) 会员身份证号码 varchar(18) 会员电话 varchar(10) 会员住址 varchar(50) 会员备注信息 text 那么这个 会员编号，作为主键，使用 primary 会员姓名 如果要建索引的话，那么就是普通的 index 会员身份证号码 如果要建索引的话，那么可以选择 unique （唯一的，不允许重复） # 除此之外还有全文索引，即fulltext 会员备注信息 ， 如果需要建索引的话，可以选择全文搜索。 用于搜索很长一篇文章的时候，效果最好。 用在比较短的文本，如果就一两行字的，普通的 index 也可以。 但其实对于全文搜索，我们并不会使用mysql自带的该索引，而是会选择第三方软件如sphinx，专门来做全文搜索。 # 其他的如空间索引spatial，了解即可，几乎不用 各个索引的应用场景 各个索引的应用场景
4.4 索引的两大类型hash与btree
我们可以在创建上述索引的时候，为其指定索引类型，分两类：
- hash类型的索引：查询单条快，范围查询慢
- btree类型的索引：b+树，层数越多，数据量指数级增长（我们就用它，因为innodb默认支持它）
不同的存储引擎支持的索引类型也不一样：
- innodb 支持事务，支持行级别锁定，支持 b-tree、full-text 等索引，不支持 hash 索引；
- myisam 不支持事务，支持表级别锁定，支持 b-tree、full-text 等索引，不支持 hash 索引；
- memory 不支持事务，支持表级别锁定，支持 b-tree、hash 等索引，不支持 full-text 索引；
- ndb 支持事务，支持行级别锁定，支持 hash 索引，不支持 b-tree、full-text 等索引；
- archive 不支持事务，支持表级别锁定，不支持 b-tree、hash、full-text 等索引；
4.5 创建/删除索引的语法
# 方法一：创建表时
create table 表名 (
字段名1 数据类型 [完整性约束条件…],
字段名2 数据类型 [完整性约束条件…],
[unique | fulltext | spatial ] index | key
[索引名] (字段名[(长度)] [asc |desc])
);
# 方法二：create在已存在的表上创建索引
create [unique | fulltext | spatial ] index 索引名
on 表名 (字段名[(长度)] [asc |desc]) ;
# 方法三：alter table在已存在的表上创建索引
alter table 表名 add [unique | fulltext | spatial ] index
索引名 (字段名[(长度)] [asc |desc]) ;
# 删除索引：drop index 索引名 on 表名字;
4.6 示例
# 方式一
create table t1(
id int,
name char,
age int,
sex enum('male','female'),
unique key uni_id(id),
index ix_name(name) # index没有key
);
create table t1(
id int,
name char,
age int,
sex enum('male','female'),
unique key uni_id(id),
index(name) # index没有key
);
# 方式二
create index ix_age on t1(age);
# 方式三
alter table t1 add index ix_sex(sex);
alter table t1 add index(sex);
# 查看
mysql> show create table t1;
| t1 | create table `t1` (
`id` int(11) default null,
`name` char(1) default null,
`age` int(11) default null,
`sex` enum('male','female') default null,
unique key `uni_id` (`id`),
key `ix_name` (`name`),
key `ix_age` (`age`),
key `ix_sex` (`sex`)
) engine=innodb default charset=latin1
五、测试索引
5.1 数据准备
# 1. 准备表
create table s1(
id int,
name varchar(20),
gender char(6),
email varchar(50)
);
# 2. 创建存储过程，实现批量插入记录
delimiter $$ # 声明存储过程的结束符号为$$
create procedure auto_insert1()
begin
declare i int default 1;
while(i<3000000)do
insert into s1 values(i,'eva','female',concat('eva',i,'@oldboy'));
set i=i+1;
end while;
end$$ # $$结束
delimiter ; # 重新声明分号为结束符号
# 3. 查看存储过程
show create procedure auto_insert1\g
# 4. 调用存储过程
call auto_insert1();
1、在没有索引的前提下测试查询速度
无索引：mysql根本就不知道到底是否存在id等于333333333的记录，只能把数据表从头到尾扫描一遍，此时有多少个磁盘块就需要进行多少io操作，所以查询速度很慢
mysql> select * from s1 where id=333333333; empty set (0.33 sec)
2、在表中已经存在大量数据的前提下，为某个字段段建立索引，建立速度会很慢
3、在索引建立完毕后，以该字段为查询条件时，查询速度提升明显
注意：
- mysql先去索引表里根据b+树的搜索原理很快搜索到id等于333333333的记录不存在，io大大降低，因而速度明显提升
- 我们可以去mysql的data目录下找到该表，可以看到占用的硬盘空间多了
- 需要注意，如下图
5.2 小结
- 一定是为搜索条件的字段创建索引，比如
select * from s1 where id = 333;就需要为id加上索引 - 在表中已经有大量数据的情况下，建索引会很慢，且占用硬盘空间，建完后查询速度加快，比如
create index idx on s1(id);会扫描表中所有的数据，然后以id为数据项，创建索引结构，存放于硬盘的表中。建完以后，再查询就会很快了。 - 需要注意的是：innodb表的索引会存放于s1.ibd文件中，而myisam表的索引则会有单独的索引文件table1.myi
mysam索引文件和数据文件是分离的，索引文件仅保存数据记录的地址。而在innodb中，表数据文件本身就是按照b+tree（btree即balance true）组织的一个索引结构，这棵树的叶节点data域保存了完整的数据记录。这个索引的key是数据表的主键，因此innodb表数据文件本身就是主索引。
因为inndob的数据文件要按照主键聚集，所以innodb要求表必须要有主键（myisam可以没有），如果没有显式定义，则mysql系统会自动选择一个可以唯一标识数据记录的列作为主键，如果不存在这种列，则mysql会自动为innodb表生成一个隐含字段作为主键，这字段的长度为6个字节，类型为长整型.
六、正确使用索引
6.1 索引未命中
并不是说我们创建了索引就一定会加快查询速度，若想利用索引达到预想的提高查询速度的效果，我们在添加索引时，必须遵循以下问题：
1、范围问题，或者说条件不明确，条件中出现这些符号或关键字：>、>=、<、<=、!= 、between...and...、like、大于号、小于号
不等于！=
between ...and...
like
2、尽量选择区分度高的列作为索引,区分度的公式是count(distinct col)/count(*)，表示字段不重复的比例，比例越大我们扫描的记录数越少，唯一键的区分度是1，而一些状态、性别字段可能在大数据面前区分度就是0，那可能有人会问，这个比例有什么经验值吗？使用场景不同，这个值也很难确定，一般需要join的字段我们都要求是0.1以上，即平均1条扫描10条记录。
先把表中的索引都删除，让我们专心研究区分度的问题：
mysql> desc s1; +--------+-------------+------+-----+---------+-------+ | field | type | null | key | default | extra | +--------+-------------+------+-----+---------+-------+ | id | int(11) | yes | mul | null | | | name | varchar(20) | yes | | null | | | gender | char(5) | yes | | null | | | email | varchar(50) | yes | mul | null | | +--------+-------------+------+-----+---------+-------+ rows in set (0.00 sec) mysql> drop index a on s1; query ok, 0 rows affected (0.20 sec) records: 0 duplicates: 0 warnings: 0 mysql> drop index d on s1; query ok, 0 rows affected (0.18 sec) records: 0 duplicates: 0 warnings: 0 mysql> desc s1; +--------+-------------+------+-----+---------+-------+ | field | type | null | key | default | extra | +--------+-------------+------+-----+---------+-------+ | id | int(11) | yes | | null | | | name | varchar(20) | yes | | null | | | gender | char(5) | yes | | null | | | email | varchar(50) | yes | | null | | +--------+-------------+------+-----+---------+-------+ rows in set (0.00 sec)
分析原因：
我们编写存储过程为表s1批量添加记录，name字段的值均为egon，也就是说name这个字段的区分度很低（gender字段也是一样的，我们稍后再搭理它）
回忆b+树的结构，查询的速度与树的高度成反比，要想将树的高低控制的很低，需要保证：在某一层内数据项均是按照从左到右，从小到大的顺序依次排开，即左1<左2<左3<...
而对于区分度低的字段，无法找到大小关系，因为值都是相等的，毫无疑问，还想要用b+树存放这些等值的数据，只能增加树的高度，字段的区分度越低，则树的高度越高。极端的情况，索引字段的值都一样，那么b+树几乎成了一根棍。本例中就是这种极端的情况，name字段所有的值均为'nick'
现在我们得出一个结论：为区分度低的字段建立索引，索引树的高度会很高，然而这具体会带来什么影响呢？？？
如果条件是name='xxxx',那么肯定是可以第一时间判断出'xxxx'是不在索引树中的（因为树中所有的值均为'nick’），所以查询速度很快
如果条件正好是name='nick',查询时，我们永远无法从树的某个位置得到一个明确的范围，只能往下找，往下找，往下找。。。这与全表扫描的io次数没有多大区别，所以速度很慢
3、索引列不能在条件中参与计算，保持列“干净”，比如from_unixtime(create_time) = ’2014-05-29’就不能使用到索引，原因很简单，b+树中存的都是数据表中的字段值，但进行检索时，需要把所有元素都应用函数才能比较，显然成本太大。所以语句应该写成create_time = unix_timestamp(’2014-05-29’)
4、and/or
- and与or的逻辑
- 条件1 and 条件2：所有条件都成立才算成立，但凡要有一个条件不成立则最终结果不成立
- 条件1 or 条件2：只要有一个条件成立则最终结果就成立
- and的工作原理
- 条件：
a = 10 and b = 'xxx' and c > 3 and d =4 - 索引：制作联合索引(d,a,b,c)
- 工作原理：对于连续多个and：mysql会按照联合索引，从左到右的顺序找一个区分度高的索引字段(这样便可以快速锁定很小的范围)，加速查询，即按照d—>a->b->c的顺序
- 条件：
- or的工作原理
- 条件：a = 10 or b = 'xxx' or c > 3 or d =4
- 索引：制作联合索引(d,a,b,c)
- 工作原理：对于连续多个or：mysql会按照条件的顺序，从左到右依次判断，即a->b->c->d
在左边条件成立但是索引字段的区分度低的情况下（name与gender均属于这种情况），会依次往右找到一个区分度高的索引字段，加速查询。
经过分析，在条件为name='nick' and gender='male' and id>333 and email='xxx'的情况下，我们完全没必要为前三个条件的字段加索引，因为只能用上email字段的索引，前三个字段的索引反而会降低我们的查询效率
5、最左前缀匹配原则，非常重要的原则，对于组合索引mysql会一直向右匹配直到遇到范围查询(>、<、between、like)就停止匹配(指的是范围大了，有索引速度也慢)，比如a = 1 and b = 2 and c > 3 and d = 4 如果建立(a,b,c,d)顺序的索引，d是用不到索引的，如果建立(a,b,d,c)的索引则都可以用到，a,b,d的顺序可以任意调整。
6、其他情况
- 使用函数
select * from tb1 where reverse(email) = 'nick';
- 类型不一致
如果列是字符串类型，传入条件是必须用引号引起来，不然...
select * from tb1 where email = 999;
#排序条件为索引，则select字段必须也是索引字段，否则无法命中
- order by
select name from s1 order by email desc;
当根据索引排序时候，select查询的字段如果不是索引，则速度仍然很慢
select email from s1 order by email desc;
特别的：如果对主键排序，则还是速度很快：
select * from tb1 order by nid desc;
- 组合索引最左前缀
如果组合索引为：(name,email)
name and email -- 命中索引
name -- 命中索引
email -- 未命中索引
- count(1)或count(列)代替count(*)在mysql中没有差别了
- create index xxxx on tb(title(19)) #text类型，必须制定长度
6.2 其他注意事项
- 避免使用select *
- 使用count(*)
- 创建表时尽量使用 char 代替 varchar
- 表的字段顺序固定长度的字段优先
- 组合索引代替多个单列索引（由于mysql中每次只能使用一个索引，所以经常使用多个条件查询时更适合使用组合索引）
- 尽量使用短索引
- 使用连接（join）来代替子查询(sub-queries)
- 连表时注意条件类型需一致
- 索引散列值（重复少）不适合建索引，例：性别不适合
七、联合索引和覆盖索引
7.1 联合索引
联合索引是指对表上的多个列合起来做一个索引。联合索引的创建方法与单个索引的创建方法一样，不同之处仅在于有多个索引列，如下：
mysql> create table t(
-> a int,
-> b int,
-> primary key(a),
-> key idx_a_b(a,b)
-> );
query ok, 0 rows affected (0.11 sec)
那么何时需要使用联合索引呢？在讨论这个问题之前，先来看一下联合索引内部的结果。从本质上来说，联合索引就是一棵b+树，不同的是联合索引的键值得数量不是1，而是>=2。接着来讨论两个整型列组成的联合索引，假定两个键值得名称分别为a、b如图：
可以看到这与我们之前看到的单个键的b+树并没有什么不同，键值都是排序的，通过叶子结点可以逻辑上顺序地读出所有数据，就上面的例子来说，即（1,1），（1,2），（2,1），（2,4），（3,1），（3,2），数据按（a,b）的顺序进行了存放。
因此，对于查询select * from table where a=xxx and b=xxx, 显然是可以使用(a,b) 这个联合索引的，对于单个列a的查询select * from table where a=xxx,也是可以使用（a,b）这个索引的。
但对于b列的查询select * from table where b=xxx,则不可以使用（a,b） 索引，其实你不难发现原因，叶子节点上b的值为1、2、1、4、1、2显然不是排序的，因此对于b列的查询使用不到(a,b) 索引
联合索引的第二个好处是在第一个键相同的情况下，已经对第二个键进行了排序处理，例如在很多情况下应用程序都需要查询某个用户的购物情况，并按照时间进行排序，最后取出最近三次的购买记录，这时使用联合索引可以帮我们避免多一次的排序操作，因为索引本身在叶子节点已经排序了，如下
# ===========准备表==============
create table buy_log(
userid int unsigned not null,
buy_date date
);
insert into buy_log values
(1,'2009-01-01'),
(2,'2009-01-01'),
(3,'2009-01-01'),
(1,'2009-02-01'),
(3,'2009-02-01'),
(1,'2009-03-01'),
(1,'2009-04-01');
alter table buy_log add key(userid);
alter table buy_log add key(userid,buy_date);
# ===========验证==============
mysql> show create table buy_log;
| buy_log | create table `buy_log` (
`userid` int(10) unsigned not null,
`buy_date` date default null,
key `userid` (`userid`),
key `userid_2` (`userid`,`buy_date`)
) engine=innodb default charset=utf8 |
# 可以看到possible_keys在这里有两个索引可以用，分别是单个索引userid与联合索引userid_2,但是优化器最终选择了使用的key是userid因为该索引的叶子节点包含单个键值，所以理论上一个页能存放的记录应该更多
mysql> explain select * from buy_log where userid=2;
+----+-------------+---------+------+-----------------+--------+---------+-------+------+-------+
| id | select_type | table | type | possible_keys | key | key_len | ref | rows | extra |
+----+-------------+---------+------+-----------------+--------+---------+-------+------+-------+
| 1 | simple | buy_log | ref | userid,userid_2 | userid | 4 | const | 1 | |
+----+-------------+---------+------+-----------------+--------+---------+-------+------+-------+
row in set (0.00 sec)
# 接着假定要取出userid为1的最近3次的购买记录，用的就是联合索引userid_2了，因为在这个索引中，在userid=1的情况下，buy_date都已经排序好了
mysql> explain select * from buy_log where userid=1 order by buy_date desc limit 3;
+--+-----------+-------+----+---------------+--------+-------+-----+----+------------------------+
|id|select_type|table |type|possible_keys | key |key_len|ref |rows| extra |
+--+-----------+-------+----+---------------+--------+-------+-----+----+------------------------+
| 1|simple |buy_log|ref |userid,userid_2|userid_2| 4 |const| 4 |using where; using index|
+--+-----------+-------+----+---------------+--------+-------+-----+----+------------------------+
row in set (0.00 sec)
# ps：如果extra的排序显示是using filesort，则意味着在查出数据后需要二次排序(如下查询语句，没有先用where userid=3先定位范围，于是即便命中索引也没用，需要二次排序)
mysql> explain select * from buy_log order by buy_date desc limit 3;
+--+-----------+-------+-----+-------------+--------+-------+----+----+---------------------------+
|id|select_type| table |type |possible_keys|key |key_len|ref |rows|extra |
+--+-----------+-------+-----+-------------+--------+-------+----+----+---------------------------+
| 1|simple |buy_log|index| null |userid_2| 8 |null| 7 |using index; using filesort|
+--+-----------+-------+-----+-------------+--------+-------+----+----+---------------------------+
# 对于联合索引（a,b）,下述语句可以直接使用该索引，无需二次排序
select ... from table where a=xxx order by b;
# 然后对于联合索引(a,b,c)来首，下列语句同样可以直接通过索引得到结果
select ... from table where a=xxx order by b;
select ... from table where a=xxx and b=xxx order by c;
# 但是对于联合索引(a,b,c)，下列语句不能通过索引直接得到结果，还需要自己执行一次filesort操作，因为索引（a，c)并未排序
select ... from table where a=xxx order by c;
7.2 覆盖索引
innodb存储引擎支持覆盖索引（covering index，或称索引覆盖），即从辅助索引中就可以得到查询记录，而不需要查询聚集索引中的记录。
使用覆盖索引的一个好处是：辅助索引不包含整行记录的所有信息，故其大小要远小于聚集索引，因此可以减少大量的io操作。
注意：覆盖索引技术最早是在innodb plugin中完成并实现，这意味着对于innodb版本小于1.0的，或者mysql数据库版本为5.0以下的，innodb存储引擎不支持覆盖索引特性。
对于innodb存储引擎的辅助索引而言，由于其包含了主键信息，因此其叶子节点存放的数据为（primary key1，priamey key2，...,key1，key2，...）。例如：
select age from s1 where id=123 and name = 'nick'; #id字段有索引，但是name字段没有索引,该sql命中了索引，但未覆盖，需要去聚集索引中再查找详细信息。 最牛逼的情况是，索引字段覆盖了所有，那全程通过索引来加速查询以及获取结果就ok了 mysql> desc s1; +--------+-------------+------+-----+---------+-------+ | field | type | null | key | default | extra | +--------+-------------+------+-----+---------+-------+ | id | int(11) | no | | null | | | name | varchar(20) | yes | | null | | | gender | char(6) | yes | | null | | | email | varchar(50) | yes | | null | | +--------+-------------+------+-----+---------+-------+ rows in set (0.21 sec) mysql> explain select name from s1 where id=1000; #没有任何索引 +--+-----------+-----+----------+----+-------------+----+-------+----+-------+--------+-----------+ |id|select_type|table|partitions|type|possible_keys|key |key_len|ref | rows |filtered| extra | +--+-----------+-----+----------+----+-------------+----+-------+----+-------+--------+-----------+ | 1| simple | s1 | null |all | null |null| null |null|2688336| 10.00 |using where| +--+-----------+-----+----------+----+-------------+----+-------+----+-------+--------+-----------+ row in set, 1 warning (0.00 sec) mysql> create index idx_id on s1(id); #创建索引 query ok, 0 rows affected (4.16 sec) records: 0 duplicates: 0 warnings: 0 mysql> explain select name from s1 where id=1000; #命中辅助索引，但是未覆盖索引，还需要从聚集索引中查找name +--+-----------+-----+----------+----+-------------+------+-------+-----+----+--------+-----+ |id|select_type|table|partitions|type|possible_keys| key|key_len| ref |rows|filtered|extra| +--+-----------+-----+----------+----+-------------+------+-------+-----+----+--------+-----+ | 1| simple | s1 | null | ref| idx_id |idx_id| 4 |const| 1 | 100.00 | null| +--+-----------+-----+----------+----+-------------+------+-------+-----+----+--------+-----+ row in set, 1 warning (0.08 sec) mysql> explain select id from s1 where id=1000; #在辅助索引中就找到了全部信息，using index代表覆盖索引 +--+-----------+-----+----------+----+-------------+------+-------+-------+------+----------+-----+ |id|select_type|table|partitions|type|possible_keys| key |key_len| ref |rows|filtered| extra | +--+-----------+-----+----------+----+--------------------+-------+-------+------+----------+-----+ | 1| simple | s1 | null | ref| idx_id |idx_id| 4 |const| 1 | 100.00 |using index| +--+-----------+-----+----------+----+-------------+------+-------+-----+----+--------+-----------+ row in set, 1 warning (0.03 sec)
覆盖索引的另外一个好处是对某些统计问题而言的。基于上一小结创建的表buy_log，查询计划如下：
mysql> explain select count(*) from buy_log; +--+-----------+-------+-----+-------------+------+-------+----+----+-----------+ |id|select_type|table | type|possible_keys|key |key_len|ref |rows|extra | +--+-----------+-------+-----+-------------+------+-------+----+----+-----------+ | 1| simple |buy_log|index| null |userid| 4 |null| 7 |using index| +--+-----------+-------+-----+-------------+------+-------+----+----+-----------+ row in set (0.00 sec)
innodb存储引擎并不会选择通过查询聚集索引来进行统计。由于buy_log表有辅助索引，而辅助索引远小于聚集索引，选择辅助索引可以减少io操作，故优化器的选择如上key为userid辅助索引
对于（a,b）形式的联合索引，一般是不可以选择b中所谓的查询条件。但如果是统计操作，并且是覆盖索引，则优化器还是会选择使用该索引，如下：
# 联合索引userid_2（userid,buy_date）,一般情况，我们按照buy_date是无法使用该索引的，但特殊情况下：查询语句是统计操作，且是覆盖索引，则按照buy_date当做查询条件时，也可以使用该联合索引 mysql> explain select count(*) from buy_log where buy_date >= '2011-01-01' and buy_date < '2011-02-01'; +--+-----------+-------+-----+-------------+--------+-------+----+----+------------------------+ |id|select_type| table |type |possible_keys| key |key_len|ref |rows|extra | +--+-----------+-------+-----+-------------+--------+-------+----+----+------------------------+ | 1| simple |buy_log|index| null |userid_2| 8 |null| 7 |using where; using index| +--+-----------+-------+-----+-------------+--------+-------+----+----+------------------------+ row in set (0.00 sec)
7.3 合并索引
mysql> explain select count(email) from index_t where id = 1000000 or email='eva100000@oldboy'; +--+-----------+------+--------------+--------------------------------+---------------+--------+-----+----+-----------------------------------------+ | id | select_type| table | type | possible_keys | key | key_len | ref |rows | extra | +--+-----------+------+--------------+--------------------------------+---------------+--------+-----+----+-----------------------------------------+ | 1 | simple | index_t| index_merge | primary,email,ind_id,ind_email | primary,email | 4,51 |null| 2 |using union(primary,email); using where | +--+-----------+------+--------------+--------------------------------+---------------+--------+-----+----+-----------------------------------------+ row in set (0.01 sec)
八、查询优化神器-explain
mysql性能分析之explain：https://www.cnblogs.com/nickchen121/p/11155917.html
九、慢查询优化的基本步骤
- 先运行看看是否真的很慢，注意设置sql_no_cache
- where条件单表查，锁定最小返回记录表。这句话的意思是把查询语句的where都应用到表中返回的记录数最小的表开始查起，单表每个字段分别查询，看哪个字段的区分度最高
- explain查看执行计划，是否与1预期一致（从锁定记录较少的表开始查询）
- order by limit 形式的sql语句让排序的表优先查
- 了解业务方使用场景
- 加索引时参照建索引的几大原则
- 观察结果，不符合预期继续从0分析
十、慢日志管理
慢日志
- 执行时间 > 10
- 未命中索引
- 日志文件路径
配置：
- 内存
show variables like '%query%';
show variables like '%queries%';
set global 变量名 = 值
- 配置文件
mysqld --defaults-file='e:\wupeiqi\mysql-5.7.16-winx64\mysql-5.7.16-winx64\my-default.ini'
my.conf内容：
slow_query_log = on
slow_query_log_file = d:/....
注意：修改配置文件之后，需要重启服务
mysql日志管理 ======================================================== 错误日志: 记录 mysql 服务器启动、关闭及运行错误等信息 二进制日志: 又称binlog日志，以二进制文件的方式记录数据库中除 select 以外的操作 查询日志: 记录查询的信息 慢查询日志: 记录执行时间超过指定时间的操作 中继日志： 备库将主库的二进制日志复制到自己的中继日志中，从而在本地进行重放 通用日志： 审计哪个账号、在哪个时段、做了哪些事件 事务日志或称redo日志： 记录innodb事务相关的如事务执行时间、检查点等 ======================================================== 一、bin-log 1. 启用 # vim /etc/my.cnf [mysqld] log-bin[=dir\[filename]] # service mysqld restart 2. 暂停 //仅当前会话 set sql_log_bin=0; set sql_log_bin=1; 3. 查看 查看全部： # mysqlbinlog mysql.000002 按时间： # mysqlbinlog mysql.000002 --start-datetime="2012-12-05 10:02:56" # mysqlbinlog mysql.000002 --stop-datetime="2012-12-05 11:02:54" # mysqlbinlog mysql.000002 --start-datetime="2012-12-05 10:02:56" --stop-datetime="2012-12-05 11:02:54" 按字节数： # mysqlbinlog mysql.000002 --start-position=260 # mysqlbinlog mysql.000002 --stop-position=260 # mysqlbinlog mysql.000002 --start-position=260 --stop-position=930 4. 截断bin-log（产生新的bin-log文件） a. 重启mysql服务器 b. # mysql -uroot -p123 -e 'flush logs' 5. 删除bin-log文件 # mysql -uroot -p123 -e 'reset master' 二、查询日志 启用通用查询日志 # vim /etc/my.cnf [mysqld] log[=dir\[filename]] # service mysqld restart 三、慢查询日志 启用慢查询日志 # vim /etc/my.cnf [mysqld] log-slow-queries[=dir\[filename]] long_query_time=n # service mysqld restart mysql 5.6: slow-query-log=1 slow-query-log-file=slow.log long_query_time=3 单位为秒 查看慢查询日志 测试:benchmark(count,expr) select benchmark(50000000,2*3);