本文通過一個案例來看看MySQL優化器如何選擇索引和JOIN順序。表結構和數據准備參考本文最後部分"測試環境"。這裡主要介紹MySQL優化器的主要執行流程,而不是介紹一個優化器的各個組件(這是另一個話題)。
我們知道,MySQL優化器只有兩個自由度:順序選擇;單表訪問方式;這裡將詳細剖析下面的SQL,看看MySQL優化器如何做出每一步的選擇。
explain select * from employee as A,department as B where A.LastName = 'zhou' and B.DepartmentID = A.DepartmentID and B.DepartmentName = 'TBX';
1. 可能的選擇
這裡看到JOIN的順序可以是A|B或者B|A,單表訪問方式也有多種,對於A表可以選擇:全表掃描和索引`IND_L_D`(A.LastName = 'zhou')或者`IND_DID`(B.DepartmentID = A.DepartmentID)。對於B也有三個選擇:全表掃描、索引IND_D、IND_DN。
2. MySQL優化器如何做
2.1 概述
MySQL優化器主要工作包括以下幾部分:Query Rewrite(包括Outer Join轉換等)、const table detection、range analysis、JOIN optimization(順序和訪問方式選擇)、plan refinement。這個案例從range analysis開始。
2.2 range analysis
這部分包括所有Range和index merge成本評估(參考1 參考2)。這裡,等值表達式也是一個range,所以這裡會評估其成本,計算出found records(表示對應的等值表達式,大概會選擇出多少條記錄)。
本案例中,range analysis會針對A表的條件A.LastName = 'zhou'和B表的B.DepartmentName = 'TBX'分別做分析。其中:
表A A.LastName = 'zhou' found records: 51
表B B.DepartmentName = 'TBX' found records: 1
這兩個條件都不是range,但是這裡計算的值仍然會存儲,在後面的ref訪問方式評估的時候使用。這裡的值是根據records_in_range接口返回,而對於InnoDB每次調用這個函數都會進行一次索引頁的采樣,這是一個很消耗性能的操作,對於很多其他的關系數據庫是使用"直方圖"的統計數據來避免這次操作(相信MariaDB後續版本也將實現直方圖統計信息)。
2.3 順序和訪問方式的選擇:窮舉
MySQL通過枚舉所有的left-deep樹(也可以說所有的left-deep樹就是整個MySQL優化器的搜索空間),來找到最優的執行順序和訪問方式。
2.3.1 排序
優化器先根據found records對所有表進行一個排序,記錄少的放前面。所以,這裡順序是B、A。
2.3.2 greedy search
當表的數量較少(少於search_depth,默認是63)的時候,這裡直接蛻化為一個窮舉搜索,優化器將窮舉所有的left-deep樹找到最優的執行計劃。另外,優化器為了減少因為搜索空間龐大帶來巨大的窮舉消耗,所以使用了一個"偷懶"的參數prune_level(默認打開),具體如何"偷懶",可以參考JOIN順序選擇的復雜度。不過至少需要有三個表以上的關聯才會有"偷懶",所以本案例不適用。
2.3.3 窮舉
JOIN的第一個表可以是:A或者B;如果第一個表選擇了A,第二個表可以選擇B;如果第一個表選擇了B,第二個表可以選擇A;
因為前面的排序,B表的found records更少,所以JOIN順序窮舉時的第一個表先選擇B(這個是有講究的)。
(*) 選擇第一個JOIN的表為B
(**) 確定B表的訪問方式
因為B表為第一個表,所以無法使用索引IND_D(B.DepartmentID = A.DepartmentID),而只能使用IND_DN(B.DepartmentName = 'TBX')
使用IND_DN索引的成本計算:1.2;其中IO成本為1。
是否使用全表掃描:這裡會比較使用索引的IO成本和全表掃描的IO成本,前者為1,後者為2;所以忽略全表掃描
所以,B表的訪問方式ref,使用索引IND_D
(**) 從剩余的表中窮舉選出第二個JOIN的表,這裡剩余的表為:A
(**) 將A表加入JOIN,並確定其訪問方式
可以使用的索引為:`IND_L_D`(A.LastName = 'zhou')或者`IND_DID`(B.DepartmentID = A.DepartmentID)
依次計算使用索引IND_L_D、IND_DID的成本:
(***) IND_L_D A.LastName = 'zhou'
在range analysis階段給出了A.LastName = 'zhou'對應的記錄約為:51。
所以,計算IO成本為:51;ref做IO成本計算時會做一次修正,將其修正為worst_seek(參考)
修正後IO成本為:15,總成本為:25.2
(***) IND_DID B.DepartmentID = A.DepartmentID
這是一個需要知道前面表的結果,才能計算的成本。所以range analysis是無法分析的
這裡,我們看到前面表為B,found_record是1,所以A.DepartmentID只需要對應一條記錄就可以了
因為具體取值不知道,也沒有直方圖,所以只能簡單依據索引統計信息來計算:
索引IND_DID的列A.DepartmentID的Cardinality為1349,全表記錄數為1349
所以,每一個值對應一條記錄,而前面表B只有一條記錄,所以這裡的found_record計算為1*1 = 1
所以IO成本為:1,總成本為1.2
(***) IND_L_D成本為25.2;IND_DID成本為1.2,所以選擇後者為當前表的訪問方式
(**) 確定A使用索引IND_DID,訪問方式為ref
(**) JOIN順序B|A,總成本為:1.2+1.2 = 2.4
(*) 選擇第一個JOIN的表為A
(**) 確定A表的訪問方式
因為A表是第一個表,所以無法使用索引`IND_DID`(B.DepartmentID = A.DepartmentID)
那麼只能使用索引`IND_L_D`(A.LastName = 'zhou')
使用IND_L_D索引的成本計算,總成本為25.2;參考前面計算;
(**) 這裡訪問A表的成本已經是25.2,比之前的最優成本2.4要大,忽略該順序
所以,這次窮舉搜索到此結束
把上面的過程簡化如下:
(*) 選擇第一個JOIN的表為B
(**) 確定B表的訪問方式
(**) 從剩余的表中窮舉選出第二個JOIN的表,這裡剩余的表為:A
(**) 將A表加入JOIN,並確定其訪問方式
(***) IND_L_D A.LastName = 'zhou'
(***) IND_DID B.DepartmentID = A.DepartmentID
(***) IND_L_D成本為25.2;IND_DID成本為1.2,所以選擇後者為當前表的訪問方式
(**) 確定A使用索引IND_DID,訪問方式為ref
(**) JOIN順序B|A,總成本為:1.2+1.2 = 2.4
(*) 選擇第一個JOIN的表為A
(**) 確定A表的訪問方式
(**) 這裡訪問A表的成本已經是25.2,比之前的最優成本2.4要大,忽略該順序
至此,MySQL優化器就確定了所有表的最佳JOIN順序和訪問方式。
3. 測試環境
MySQL: 5.1.48-debug-log innodb plugin 1.0.9 CREATE TABLE `department` ( `DepartmentID` int(11) DEFAULT NULL, `DepartmentName` varchar(20) DEFAULT NULL, KEY `IND_D` (`DepartmentID`), KEY `IND_DN` (`DepartmentName`) ) ENGINE=InnoDB DEFAULT CHARSET=gbk; CREATE TABLE `employee` ( `LastName` varchar(20) DEFAULT NULL, `DepartmentID` int(11) DEFAULT NULL, KEY `IND_L_D` (`LastName`), KEY `IND_DID` (`DepartmentID`) ) ENGINE=InnoDB DEFAULT CHARSET=gbk; for i in `seq 1 1000` ; do mysql -vvv -uroot test -e 'insert into department values (600000*rand(),repeat(char(65+rand()*58),rand()*20))'; done for i in `seq 1 1000` ; do mysql -vvv -uroot test -e 'insert into employee values (repeat(char(65+rand()*58),rand()*20),600000*rand())'; done for i in `seq 1 50` ; do mysql -vvv -uroot test -e 'insert into employee values ("zhou",27760)'; done for i in `seq 1 200` ; do mysql -vvv -uroot test -e 'insert into employee values (repeat(char(65+rand()*58),rand()*20),27760)'; done for i in `seq 1 1` ; do mysql -vvv -uroot test -e 'insert into department values (27760,"TBX")'; done show index from employee; +----------+------------+----------+--------------+--------------+-----------+-------------+----------+--------+------+------------+---------+ | Table | Non_unique | Key_name | Seq_in_index | Column_name | Collation | Cardinality | Sub_part | Packed | Null | Index_type | Comment | +----------+------------+----------+--------------+--------------+-----------+-------------+----------+--------+------+------------+---------+ | employee | 1 | IND_L_D | 1 | LastName | A | 1349 | NULL | NULL | YES | BTREE | | | employee | 1 | IND_DID | 1 | DepartmentID | A | 1349 | NULL | NULL | YES | BTREE | | +----------+------------+----------+--------------+--------------+-----------+-------------+----------+--------+------+------------+---------+ show index from department; +------------+------------+----------+--------------+----------------+-----------+-------------+----------+--------+------+------------+---------+ | Table | Non_unique | Key_name | Seq_in_index | Column_name | Collation | Cardinality | Sub_part | Packed | Null | Index_type | Comment | +------------+------------+----------+--------------+----------------+-----------+-------------+----------+--------+------+------------+---------+ | department | 1 | IND_D | 1 | DepartmentID | A | 1001 | NULL | NULL | YES | BTREE | | | department | 1 | IND_DN | 1 | DepartmentName | A | 1001 | NULL | NULL | YES | BTREE | | +------------+------------+----------+--------------+----------------+-----------+-------------+----------+--------+------+------------+---------+
4. 構造一個Bad case
因為關聯條件中MySQL使用索引統計信息做成本預估,所以數據分布不均勻的時候,就容易做出錯誤的判斷。簡單的我們構造下面的案例:
表和索引結構不變,按照下面的方式構造數據:
for i in `seq 1 10000` ; do mysql -uroot test -e 'insert into department values (600000*rand(),repeat(char(65+rand()*58),rand()*20))'; done for i in `seq 1 10000` ; do mysql -uroot test -e 'insert into employee values (repeat(char(65+rand()*58),rand()*20),600000*rand())'; done for i in `seq 1 1` ; do mysql -uroot test -e 'insert into employee values ("zhou",27760)'; done for i in `seq 1 10` ; do mysql -uroot test -e 'insert into department values (27760,"TBX")'; done for i in `seq 1 1000` ; do mysql -uroot test -e 'insert into department values (27760,repeat(char(65+rand()*58),rand()*20))'; done explain select * from employee as A,department as B where A.LastName = 'zhou' and B.DepartmentID = A.DepartmentID and B.DepartmentName = 'TBX'; +----+-------------+-------+------+-----------------+---------+---------+---------------------+------+-------------+ | id | select_type | table | type | possible_keys | key | key_len | ref | rows | Extra | +----+-------------+-------+------+-----------------+---------+---------+---------------------+------+-------------+ | 1 | SIMPLE | A | ref | IND_L_D,IND_DID | IND_L_D | 43 | const | 1 | Using where | | 1 | SIMPLE | B | ref | IND_D,IND_DN | IND_D | 5 | test.A.DepartmentID | 1 | Using where | +----+-------------+-------+------+-----------------+---------+---------+---------------------+------+-------------+
可以看到這裡,MySQL執行計劃對表department使用了索引IND_D,那麼A表命中一條記錄為(zhou,27760);根據B.DepartmentID=27760將返回1010條記錄,然後根據條件DepartmentName = 'TBX'進行過濾。
這裡可以看到如果B表選擇索引IND_DN,效果要更好,因為DepartmentName = 'TBX'僅僅返回10條記錄,再根據條件A.DepartmentID=B.DepartmentID過濾之。