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);