Mysql执行优化

认识数据索引

为什么使用数据索引能提高效率

• 关系型数据库的数据索引（Btree及常见索引结构）的存储是有序的。
• 在有序的情况下，通过索引查询一个数据是无需遍历索引记录的
• 关系型数据库数据索引的查询效率趋近于二分法查询效率，趋近于 log2(N)。
• 极端情况下（更新请求少，更新实时要求低，查询请求频繁），建立单向有序序列可替代数据索引。
• HASH索引的查询效率是寻址操作，趋近于1次查询，比有序索引查询效率更高，但是不支持比对查询，区间查询，排序等操作，仅支持key-value类型查询。不是本文重点。

如何理解数据索引的结构

• 数据索引通常默认采用btree索引，（内存表也使用了hash索引）。
• 仅就有序前提而言，单向有序排序序列是查找效率最高的（二分查找，或者说折半查找），使用树形索引的目的是为了达到快速的更新和增删操作。
• 在极端情况下（比如数据查询需求量非常大，而数据更新需求极少，实时性要求不高，数据规模有限），直接使用单一排序序列，折半查找速度最快。
• 在进行索引分析和SQL优化时，可以将数据索引字段想象为单一有序序列，并以此作为分析的基础。涉及到复合索引情况，复合索引按照索引顺序拼凑成一个字段，想象为单一有序序列，并以此作为分析的基础。
• 一条数据查询只能使用一个索引，索引可以是多个字段合并的复合索引。但是一条数据查询不能使用多个索引。

优化实战范例

• 实战范例1： ip地址反查
  • 资源： Ip地址对应表，源数据格式为  startip, endip, area

• 目标：    需要通过任意ip查询该ip所属地区

• 挑战：    如使用 between startip and endip 这样的条件数据库操作，因为涉及两个字段的between and, 无法有效使用索引。

• 方法：    一次性排序（只在数据准备中进行，数据可存储在内存序列）

• 实战范例2：目标：查找与访问者同一地区的异性，按照最后登录时间逆序
  • 挑战：高访问量社区的高频查询，如何优化。

• 解读：首先，忘掉btree，将索引字段理解为一个排序序列。

认识影响结果集

影响结果集的获取

• 通过Explain 分析SQL，查看 rows 列内容
• 通过慢查询日志的Rows_examined: 后面的数字
• 影响结果集数字是查询优化的重要中间数字，工程师在开发和调试过程中，应随时关注这一数字。

影响结果集的解读

• 查询条件与索引的关系决定影响结果集。
  1. 影响结果集不是输出结果数，不是查询返回的记录数，而是索引所扫描的结果数。
  2. 范例 select * from user where area=’厦门’ and sex=’女’
     • 假设 索引为 area
     • 假设User表中 area=’厦门’的有 125000条，而搜索返回结果为60233条。
     • 影响结果集是125000条，索引先命中125000条厦门用户，再遍历以sex=’女’进行筛选操作，得到60233条结果。
     • 如果该SQL 增加 limit 0,30的后缀。查询时，先命中 area=’厦门’，然后依顺序执行 sex=’女’ 筛选操作，直到满足可以返回30条为止，所涉及记录数未知。除非满足条件的结果不足30条，否则不会遍历125000条记录。
     • 但是如果SQL中涉及了排序操作，比如 order by lastlogin desc 再有limit 0,30时，排序需要遍历所有area=’厦门’ 的记录，而不是满足即止。
• 影响结果集越趋近于实际输出或操作的目标结果集，索引效率越高。
• 影响结果集与查询开销的关系可以理解为线性相关。减少一半影响结果集，即可提升一倍查询效率！当一条搜索query可以符合多个索引时，选择影响结果集最少的索引。
• SQL的优化，核心就是对结果集的优化，认识索引是增强对结果集的判断，基于索引的认识，可以在编写SQL的时候，对该SQL可能的影响结果集有预判，并做出适当的优化和调整。
• Limit 的影响，需要斟酌对待

1. 如果搜索所包含的排序条件没有被索引命中，则系统会遍历是所有索引所命中的结果，并且排序。例如 Select * from user order by timeline desc limit 10; 如果timeline不是索引，影响结果集是全表，就存在需要全表数据排序，这个效率影响就巨大。再比如 Select * from user where area=’厦门’ order by timeline desc limit 10; 如果area是索引，而area+timeline未建立索引，则影响结果集是所有命中 area=’厦门’的用户，然后在影响结果集内排序。

常见案例及优化思路

• 毫秒级优化案例
  1. 某游戏用户进入后显示最新动态，SQL为 select * from userfeed where uid=$uid order by timeline desc limit 20; 主键为$uid 。 该SQL每天执行数百万次之多，高峰时数据库负载较高。 通过 show processlist 显示大量进程处于Sending data状态。没有慢查询记录。 仔细分析发现，因存在较多高频用户访问，命中 uid=$uid的影响结果集通常在几百到几千，在上千条影响结果集情况下，该SQL查询开销通常在0.01秒左右。 建立uid+timeline 复合索引，将排序引入到索引结构中，影响结果集就只有limit 后面的数字，该SQL查询开销锐减至0.001秒，数据库负载骤降。
• Innodb锁表案例
  1. 某游戏数据库使用了innodb，innodb是行级锁，理论上很少存在锁表情况。出现了一个SQL语句(delete from tabname where xid=…)，这个SQL非常用SQL，仅在特定情况下出现，每天出现频繁度不高（一天仅10次左右），数据表容量百万级，但是这个xid未建立索引，于是悲惨的事情发生了，当执行这条delete 的时候，真正删除的记录非常少，也许一到两条，也许一条都没有；但是！由于这个xid未建立索引，delete操作时遍历全表记录，全表被delete操作锁定，select操作全部被locked，由于百万条记录遍历时间较长，期间大量select被阻塞，数据库连接过多崩溃。

• 实时排名策略优化
  1. 背景： 用户提交游戏积分，显示实时排名。
  2. 原方案：
     • 提交积分是插入记录，略，
     • select count(*) from jifen where gameid=$gameid and fenshu>$fenshu
  3. 问题与挑战
     • 即便索引是 gameid+fenshu 复合索引，涉及count操作，当分数较低时，影响结果集巨大，查询效率缓慢，高峰期会导致连接过多。
  4. 优化思路
     • 减少影响结果集，又要取得实时数据，单纯从SQL上考虑，不太有方法。
     • 将游戏积分预定义分成数个积分断点，然后分成积分区间，原始状态，每个区间设置一个统计数字项，初始为0。
     • 每次积分提交时，先确定该分数属于哪两个区间之间，这个操作非常简单，因为区间是预定义的，而且数量很少，只需遍历即可，找到最该分数符合的区间， 该区间的统计数字项（独立字段，可用内存处理，异步回写数据库或文件）+1。 记录该区间上边界数字为$duandian。
     • SQL:  select count(*) from jifen where gameid=$gameid and fenshu>$fenshu and fenshu<$duandian，如果处于第一区间，则无需$duandian，这样因为第一区间本身也是最好的成绩，影响结果集不会很多。 通过该SQL获得其在该区间的名次。
     • 获取前面区间的总数总和。（该数字是直接从上述提到的区间统计数字获取，不需要进行count操作）将区间内名次+前区间的统计数字和，获得总名次。
     • 该方法关键在于，积分区间需要合理定义，保证积分提交成绩能平均散落在不同区间。
     • 如涉及较多其他条件，如日排行，总排行，以及其他独立用户去重等，请按照影响结果集思路自行发挥。
  5. Redis方案
     • Redis数据结构包括String,list,dict和Zset四种，在本案例中是非常好的替代数据库的方案，本文档只做简介，不做额外扩展。
     • String 哈希索引，key-value结构，主键查询效率极高，不支持排序，比较查询。
     • List 队列结构，在数据异步写入处理中可以替代memcache。
     • Dict 数组结构，存储结构化，序列化内容，可以针对数组中的特定列进行操作。
     • Zset 有序数组结构，分两个子结构，第一是多层树形的存储结构，第二是每个树形节点的计数器，这样类似于前面的分段方式，可以理解为多层分段方式，所以查询效率更高，缺点是更新效率有所增加。
• 论坛翻页优化
  1. 背景，常见论坛帖子页 SQL: select * from post where tagid=$tagid order by lastpost limit $start, $end 翻页 。索引为 tagid+lastpost 复合索引
  2. 挑战， 超级热帖，几万回帖，用户频频翻到末页，limit 25770,30 一个操作下来，影响结果集巨大(25770+30)，查询缓慢。
  3. 解决方法：
     • 只涉及上下翻页情况
       • 每次查询的时候将该页查询结果中最大的 $lastpost和最小的分别记录为 $minlastpost 和 $maxlastpost ，上翻页查询为 select * from post where tagid=$tagid and lastpost<$minlastpost order by lastpost desc limit 30; 下翻页为 select * from post where tagid=$tagid and lastpost>$maxlastpost order by lastpost limit 30; 使用这种方式，影响结果集只有30条，效率极大提升。
     • 涉及跳转到任意页
       • 互联网上常见的一个优化方案可以这样表述，select * from post where tagid=$tagid and lastpost>=(select lastpost from post where tagid=$tagid order by lastpost limit $start,1) order by lastpost limit 30; 或者 select * from post where pid in (select pid from post where tagid=$tagid order by lastpost limit $start,30); (第2条S语法在新的mysql版本已经不支持，新版本mysql in的子语句不再支持limit条件，但可以分解为两条SQL实现，原理不变，不做赘述)
       • 以上思路在于，子查询的影响结果集仍然是$start +30，但是数据获取的过程（Sending data状态）发生在索引文件中，而不是数据表文件，这样所需要的系统开销就比前一种普通的查询低一个数量级，而主查询的影响结果集只有30条，几乎无开销。但是切记，这里仍然涉及了太多的影响结果集操作。
  4. 延伸问题：
     • 来自于uchome典型查询 SELECT * FROM uchome_thread WHERE tagid='73820'  ORDER BY displayorder DESC, lastpost DESC LIMIT $start,30;
     • 如果换用 如上方法，上翻页代码 SELECT * FROM uchome_thread WHERE tagid='73820'  and lastpost<$minlastpost ORDER BY displayorder DESC,lastpost DESC LIMIT 0,30; 下翻页代码SELECT * FROM uchome_thread WHERE tagid='73820'  and lastpost>$maxlastpost ORDER BY displayorder DESC, lastpost ASC LIMIT 0,30;
     • 这里涉及一个order by 索引可用性问题，当order by中 复合索引的字段，一个是ASC，一个是DESC 时，其排序无法在索引中完成。 所以只有上翻页可以正确使用索引，影响结果集为30。下翻页无法在排序中正确使用索引，会命中所有索引内容然后排序，效率低下。

• 总结：
  • 基于影响结果集的理解去优化，不论从数据结构，代码，还是涉及产品策略上，都需要贯彻下去。
  • 涉及 limit $start,$num的搜索，如果$start巨大，则影响结果集巨大，搜索效率会非常难过低，尽量用其他方式改写为 limit 0,$num； 确系无法改写的情况下，先从索引结构中获得 limit $start,$num 或limit $start,1 ；再用in操作或基于索引序的 limit 0,$num 二次搜索。
  • 请注意，我这里永远不会讲关于外键和join的优化，因为在我们的体系里，这是根本不允许的！ 架构优化部分会解释为什么。

理解执行状态

常见关注重点

• 慢查询日志，关注重点如下
  • 是否锁定，及锁定时间
    1. 如存在锁定，则该慢查询通常是因锁定因素导致，本身无需优化，需解决锁定问题。
  • 影响结果集
    1. 如影响结果集较大，显然是索引项命中存在问题，需要认真对待。
• Explain 操作
  • 索引项使用
    1. 不建议用using index做强制索引，如未如预期使用索引，建议重新斟酌表结构和索引设置。
  • 影响结果集
    1. 这里显示的数字不一定准确，结合之前提到对数据索引的理解来看，还记得嘛？就把索引当作有序序列来理解，反思SQL。
• Set profiling , show profiles for query操作
  • 执行开销
    1. 注意，有问题的SQL如果重复执行，可能在缓存里，这时要注意避免缓存影响。通过这里可以看到。
    2. 执行时间超过0.005秒的频繁操作SQL建议都分析一下。
    3. 深入理解数据库执行的过程和开销的分布
• Show processlist 执行状态监控
  • 这是在数据库负载波动时经常进行的一项操作
  • 具体参见如下

执行状态分析

• Sleep 状态
  • 通常代表资源未释放，如果是通过连接池，sleep状态应该恒定在一定数量范围内
  • 实战范例： 因前端数据输出时（特别是输出到用户终端）未及时关闭数据库连接，导致因网络连接速度产生大量sleep连接，在网速出现异常时，数据库 too many connections 挂死。
  • 简单解读，数据查询和执行通常只需要不到0.01秒，而网络输出通常需要1秒左右甚至更长，原本数据连接在0.01秒即可释放，但是因为前端程序未执行close操作，直接输出结果，那么在结果未展现在用户桌面前，该数据库连接一直维持在sleep状态！
• Waiting for net, reading from net, writing to net
  • 偶尔出现无妨
  • 如大量出现，迅速检查数据库到前端的网络连接状态和流量
  • 案例: 因外挂程序，内网数据库大量读取，内网使用的百兆交换迅速爆满，导致大量连接阻塞在waiting for net，数据库连接过多崩溃
• Locked状态
  • 有更新操作锁定
  • 通常使用innodb可以很好的减少locked状态的产生，但是切记，更新操作要正确使用索引，即便是低频次更新操作也不能疏忽。如上影响结果集范例所示。
  • 在myisam的时代，locked是很多高并发应用的噩梦。所以mysql官方也开始倾向于推荐innodb。
• Copy to tmp table
  • 索引及现有结构无法涵盖查询条件，才会建立一个临时表来满足查询要求，产生巨大的恐怖的i/o压力。
  • 很可怕的搜索语句会导致这样的情况，如果是数据分析，或者半夜的周期数据清理任务，偶尔出现，可以允许。频繁出现务必优化之。
  • Copy to tmp table 通常与连表查询有关，建议逐渐习惯不使用连表查询。
  • 实战范例：
    1. 某社区数据库阻塞，求救，经查，其服务器存在多个数据库应用和网站，其中一个不常用的小网站数据库产生了一个恐怖的copy to tmp table 操作，导致整个硬盘i/o和cpu压力超载。Kill掉该操作一切恢复。
• Sending data
  • Sending data 并不是发送数据，别被这个名字所欺骗，这是从物理磁盘获取数据的进程，如果你的影响结果集较多，那么就需要从不同的磁盘碎片去抽取数据，
  • 偶尔出现该状态连接无碍。
  • 回到上面影响结果集的问题，一般而言，如果sending data连接过多，通常是某查询的影响结果集过大，也就是查询的索引项不够优化。
  • 前文提到影响结果集对SQL查询效率线性相关，主要就是针对这个状态的系统开销。
  • 如果出现大量相似的SQL语句出现在show proesslist列表中，并且都处于sending data状态，优化查询索引，记住用影响结果集的思路去思考。
• Storing result to query cache
  • 出现这种状态，如果频繁出现，使用set profiling分析，如果存在资源开销在SQL整体开销的比例过大（即便是非常小的开销，看比例），则说明query cache碎片较多
  • 使用flush query cache 可即时清理，也可以做成定时任务
  • Query cache参数可适当酌情设置。
• Freeing items
  • 理论上这玩意不会出现很多。偶尔出现无碍
  • 如果大量出现，内存，硬盘可能已经出现问题。比如硬盘满或损坏。
  • i/o压力过大时，也可能出现Free items执行时间较长的情况。
• Sorting for …
  • 和Sending data类似，结果集过大，排序条件没有索引化，需要在内存里排序，甚至需要创建临时结构排序。
• 其他
  • 还有很多状态，遇到了，去查查资料。基本上我们遇到其他状态的阻塞较少，所以不关心。

分析流程

• 基本流程
  • 详细了解问题状况
    1. Too many connections 是常见表象，有很多种原因。
    2. 索引损坏的情况在innodb情况下很少出现。
    3. 如出现其他情况应追溯日志和错误信息。
  • 了解基本负载状况和运营状况
    1. 基本运营状况
       • 当前每秒读请求
       • 当前每秒写请求
       • 当前在线用户
       • 当前数据容量
    2. 基本负载情况
       • 学会使用这些指令
         • Top
         • Vmstat
         • uptime
         • iostat
         • df
       • Cpu负载构成
         • 特别关注i/o压力( wa%)
         • 多核负载分配
       • 内存占用
         • Swap分区是否被侵占
         • 如Swap分区被侵占，物理内存是否较多空闲
       • 磁盘状态
         • 硬盘满和inode节点满的情况要迅速定位和迅速处理
  • 了解具体连接状况
    1. 当前连接数
       • Netstat –an|grep 3306|wc –l
       • Show processlist
    2. 当前连接分布 show processlist
       • 前端应用请求数据库不要使用root帐号！
         • Root帐号比其他普通帐号多一个连接数许可。
         • 前端使用普通帐号，在too many connections的时候root帐号仍可以登录数据库查询 show processlist!
         • 记住，前端应用程序不要设置一个不叫root的root帐号来糊弄！非root账户是骨子里的，而不是名义上的。
       • 状态分布
         • 不同状态代表不同的问题，有不同的优化目标。
         • 参见如上范例。
       • 雷同SQL的分布
         • 是否较多雷同SQL出现在同一状态
    3. 当前是否有较多慢查询日志
       • 是否锁定
       • 影响结果集
  • 频繁度分析
    1. 写频繁度
       • 如果i/o压力高，优先分析写入频繁度
       • Mysqlbinlog 输出最新binlog文件，编写脚本拆分
       • 最多写入的数据表是哪个
       • 最多写入的数据SQL是什么
       • 是否存在基于同一主键的数据内容高频重复写入？
         • 涉及架构优化部分，参见架构优化-缓存异步更新
    2. 读取频繁度
       • 如果cpu资源较高，而i/o压力不高，优先分析读取频繁度
       • 程序中在封装的db类增加抽样日志即可，抽样比例酌情考虑，以不显著影响系统负载压力为底线。
       • 最多读取的数据表是哪个
       • 最多读取的数据SQL是什么
         • 该SQL进行explain 和set profiling判定
         • 注意判定时需要避免query cache影响
           1. 比如，在这个SQL末尾增加一个条件子句 and 1=1 就可以避免从query cache中获取数据，而得到真实的执行状态分析。
       • 是否存在同一个查询短期内频繁出现的情况
         • 涉及前端缓存优化
  • 抓大放小，解决显著问题
    1. 不苛求解决所有优化问题，但是应以保证线上服务稳定可靠为目标。
    2. 解决与评估要同时进行，新的策略或解决方案务必经过评估后上线。

常见案例解析

• 现象：服务器出现too many connections 阻塞
  • 入手点：
    1. 查看服务器状态，cpu占用，内存占用，硬盘占用，硬盘i/o压力
    2. 查看网络流量状态，mysql与应用服务器的输入输出状况
    3. 通过Show processlist查看当前运行清单
       • 注意事项，日常应用程序连接数据库不要使用root账户，保证故障时可以通过root 进入数据库查看 show processlist。
  • 状态分析：
    1. 参见如上执行状态清单，根据连接状态的分布去确定原因。
  • 紧急恢复
    1. 在确定故障原因后，应通过kill掉阻塞进程的方式 立即恢复数据库。
  • 善后处理
    1. 以下针对常见问题简单解读
    2. Sleep 连接过多导致，应用端及时释放连接，排查关联因素。
    3. Locked连接过多，如源于myisam表级锁，更innodb引擎;如源于更新操作使用了不恰当的索引或未使用索引，改写更新操作SQL或建立恰当索引。
    4. Sending data连接过多，用影响结果集的思路优化SQL查询，优化表索引结构。
    5. Free items连接过多，i/o压力过大 或硬盘故障
    6. Waiting for net , writing to net 连接过多， mysql与应用服务器连接阻塞。
    7. 其他仍参见如上执行状态清单所示分析。
    8. 如涉及不十分严格安全要求的数据内容，可用定期脚本跟踪请求进程，并kill掉僵死进程。如数据安全要求较严格，则不能如此进行。
• 现象：数据库负载过高，响应缓慢。
  • 入手点：
    1. 查看cpu状态，服务器负载构成
  • 分支1：i/o占用过高。
    1. 步骤1： 检查内存是否占用swap分区，排除因内存不足导致的i/o开销。
    2. 步骤2：通过iostat 指令分析i/o是否集中于数据库硬盘，是否是写入度较高。
    3. 步骤3：如果压力来自于写，使用mysqlbinlog 解开最新的binlog文件。
    4. 步骤4：编写日志分析脚本或grep指令，分析每秒写入频度和写入内容。
       • 写入频度不高，则说明i/o压力另有原因或数据库配置不合理。
    5. 步骤5：编写日志分析脚本或grep 指令，分析写入的数据表构成，和写入的目标构成。
    6. 步骤6：编写日志分析脚本，分析是否存在同一主键的重复写入。 比如出现大量 update post set views=views+1 where tagid=****的操作，假设在一段时间内出现了2万次，而其中不同的tagid有1万次，那么就是有50%的请求是重复update请求，有可以通过异步更新合并的空间。
    7. 提示一下，以上所提及的日志分析脚本编写，正常情况下不应超过1个小时，而对系统负载分析所提供的数据支持价值是巨大的，对性能优化方案的选择是非常有意义的，如果您认为这项工作是繁冗而且复杂的工作，那么一定是在分析思路和目标把握上出现了偏差。
  • 分支2：i/o占用不高，CPU 占用过高
    1. 步骤1：查看慢查询日志
    2. 步骤2：不断刷新查看Show processlist清单，并把握可能频繁出现的处于Sending data状态的SQL。
    3. 步骤3：记录前端执行SQL
       • 于前端应用程序执行查询的封装对象内，设置随机采样，记录前端执行的SQL，保证有一定的样本规模，并且不会带来前端i/o负载的激增。
       • 基于采样率和记录频率，获得每秒读请求次数数据指标。
       • 编写日志分析脚本，分析采样的SQL构成，所操作的数据表，所操作的主键。
       • 对频繁重复读取的SQL(完全一致的SQL)进行判定，是否数据存在频繁变动，是否需要实时展现最新数据，如有可能，缓存化，并预估缓存命中率。
       • 对频繁读取但不重复的(SQL结构一致，但条件中的数据不一致)SQL进行判定，是否索引足够优化，影响结果集与输出结果是否足够接近。
    4. 步骤4：将导致慢查询的SQL或频繁出现于show processlist状态的SQL，或采样记录的频繁度SQL进行分析，按照影响结果集的思路和索引理解来优化。
    5. 步骤5：对如上难以界定问题的SQL进行 set profiling 分析。
    6. 步骤6：优化后分析继续采样跟踪分析。并跟踪比对结果。
  • 善后处理
    1. 日常跟踪脚本，不断记录一些状态信息。保证每个时间节点都能回溯。
    2. 确保随时能了解服务器的请求频次，读写请求的分布。
    3. 记录一些未造成致命影响的隐患点，可暂不解决，但需要记录。
    4. 如确系服务器请求频次过高，可基于负载分布决定硬件扩容方案，比如i/o压力过高可考虑固态硬盘；内存占用swap可考虑增加内容容量等。用尽可能少的投入实现最好的负载支撑能力，而不是简单的买更多服务器。

总结

• 要学会怎样分析问题，而不是单纯拍脑袋优化
• 慢查询只是最基础的东西，要学会优化0.01秒的查询请求。
• 当发生连接阻塞时，不同状态的阻塞有不同的原因，要找到原因，如果不对症下药，就会南辕北辙
  • 范例：如果本身系统内存已经超载，已经使用到了swap，而还在考虑加大缓存来优化查询，那就是自寻死路了。
• 影响结果集是非常重要的中间数据和优化指标，学会理解这一概念，理论上影响结果集与查询效率呈现非常紧密的线性相关。
• 监测与跟踪要经常做，而不是出问题才做
  • 读取频繁度抽样监测
    1. 全监测不要搞，i/o吓死人。
    2. 按照一个抽样比例抽样即可。
    3. 针对抽样中发现的问题，可以按照特定SQL在特定时间内监测一段全查询记录，但仍要考虑i/o影响。
  • 写入频繁度监测
    1. 基于binlog解开即可，可定时或不定时分析。
  • 微慢查询抽样监测
    1. 高并发情况下，查询请求时间超过0.01秒甚至0.005秒的，建议酌情抽样记录。
  • 连接数预警监测
    1. 连接数超过特定阈值的情况下，虽然数据库没有崩溃，建议记录相关连接状态。
• 学会通过数据和监控发现问题，分析问题，而后解决问题顺理成章。特别是要学会在日常监控中发现隐患，而不是问题爆发了才去处理和解决。