面试就面试,问我原理干嘛,order by
假设有这么一张用户表 user:
- id int(11):主键
- username varchar(16):用户名
- age int(11):年龄
- city varchar(16):城市
假设有这么一个需求:查询出城市是 “南京” 的所有用户名,并且按照用户名进行排序,返回前 1000 个人的姓名、年龄。
众所周知,排序使用的关键字是 order by
,不难写出这样的 SQL 语句:
select city, username, age from user where city = '南京' order by username limit 1000;
这篇文章,我们就来解释下,涉及 order by 的语句具体是怎么执行的,以及有什么参数会影响执行的行为
老规矩,背诵版在文末。点击阅读原文可以直达我收录整理的各大厂面试真题
全字段排序
为避免全表扫描,我们在查询条件的 city 字段上面建立索引。然后用 explain 命令来看看这个语句的执行情况:
偷个懒,因为我其实一条数据也没插入(狗头保命),所以大伙儿在上图中看见的 explain 分析出来的这条 SQL 的影响行数 rows 是 1
Extra 这个字段中的 Using filesort
表示的就是需要排序,MySQL 会给每个线程分配一块内存用于排序,称为 sort_buffer。
通常情况下,这个语句执行流程如下所示 :
1)初始化 sort_buffer,放入 city、username、age 这三个字段;
2)从索引 city 找到第一个满足 city='南京' 条件的主键 id
3)到主键 id 的索引树上查找到对应的整行数据(回表查询),然后取出 city、username、age 三个字段的值,存入 sort_buffer 中
4)从索引 city 取下一个记录的主键 id
5)重复步骤 3、4 直到 city 的值不满足查询条件为止
6)对 sort_buffer 中的数据按照字段 username 做快速排序
按照字段 username 做快速排序这个动作,可能在内存中完成,也可能需要使用外部排序,这取决于排序所需的内存和 sort_buffer 的大小,由参数 sort_buffer_size
决定。
如果要排序的数据量小于 sort_buffer_size,排序就在内存中完成。但如果排序数据量太大,内存放不下,则就需要利用磁盘临时文件来辅助排序。
解释下这里使用磁盘临时文件来进行辅助排序的含义,外部排序常用的排序算法是多路归并排序算法,具体步骤如下:
- 到主键 id 索引树上查找到对应的整行数据后,取 city、username、age 三个字段的值,存入 sort_buffer 中,能存多少是多少,当 sort_buffer 快要满时,就对 sort_buffer 中的数据进行排序,排完后,把数据临时放到磁盘的一个小文件中,然后清空 sort_buffer(这样的话,一个很大的数据,就会被分成若干个临时磁盘文件)
- 继续回到主键 id 索引树取数据,重复上一步,直到取出所有满足条件的数据
- 最后,归并已经有序的若干个临时磁盘文件,形成一个完整的有序大文件
7)按照排序结果取前 1000 行返回给客户端
可以看出,整个排序过程,我们要查询的 city、username、age 全都参与了,所以,暂且把这个排序过程,称为全字段排序
整条语句的执行流程的示意图如下所示:
针对上面利用磁盘临时文件进行辅助排序的过程,不知道大家会不会有个很自然的想法:sort_buffer 内存放不下,需要用到临时磁盘文件,磁盘文件越多,排序效率显然就会越低下。那为什么还要把排序不相关的字段 city、username 放到 sort_buffer 中呢?只存放排序相关的 age 字段,这样划分的磁盘文件不就相对变少了嘛~
这就是 rowid 排序 👇
rowid 排序
rowid 排序,听名字大概就能理解,就是,只把需要用于排序的字段和对应的主键 id,放到 sort_buffer 中。
那怎么确定走的是全字段排序还是 rowid 排序呢?
实际上有个参数控制的。这个参数就是 max_length_for_sort_data
,是 MySQL 中专门控制用于排序的行数据的长度的一个参数。它的意思是,如果单行的长度超过这个值,MySQL 就认为单行太大(那么数据量肯定就越大,sort_buffer 可能不够用),不能再像之前那样把所有 select 的字段都存进 sort_buffer 了,要换一个算法,只存排序相关的字段
show variables like 'max_length_for_sort_data';
可以看到,max_length_for_sort_data 的默认值是 1024
可以通过下面这行命令进行修改
SET max_length_for_sort_data = 16;
表中我们定义的这三个字段 city、username、age 的总长度是 36,我把 max_length_for_sort_data 设置为 16,显然,单行的长度已经超过这个值了,排序算法应该由全字段排序转成了 rowid 排序。
整个执行流程就变成如下所示的样子:
1)初始化 sort_buffer,放入两个字段,即 username 和主键 id
2)从 city 索引中找到第一个满足 city='南京' 条件的主键 id
3)到主键 id 的索引树上查找到对应的整行数据(回表查询),取出 username 和 id 这两个字段,存入 sort_buffer 中
4)从 city 索引中取下一个记录的主键 id;重复步骤 3、4 直到不满足 city='南京' 的条件为止
5)对 sort_buffer 中的数据按照字段 username 进行排序
6)遍历排序结果,取前 1000 行,并按照 id 的值回到主键 id 的索引树中取出 city、username 和 age 三个字段返回给客户端
可以看到,新的 rowid 算法放入 sort_buffer 的字段,只有要排序的列(即 username 字段)和主键 id。但有利有弊,存放在 sort_buffer 中的数据因为少了 city 和 age 字段的值,所以不能直接返回给客户端了,需要再进行一次回表查询。
这个执行流程的示意图如下:
从上面我们可以看出来,事实上,如果内存足够大的话,MySQL 优先选择的仍然是全字段排序,把需要的字段都放到 sort_buffer 中,这样排序后就会直接从内存里面返回查询结果了,不用再回表查询,减少磁盘访问。
回表的话应该首先去缓冲池 Buffer Pool 中找到对应版本的数据,若找不到,则需要进行磁盘读(索引文件是磁盘文件),理论上不会触发磁盘读,因为取 id 的时候已经从磁盘读取了一次放到了缓冲池 Buffer Pool 中了,但不排除,第一次取完数据放到 sort buffer 后缓存中的数据页被淘汰了,可能会触发磁盘读
order by 优化
很显然,如果不排序就能得到正确的结果,那对系统的消耗会小很多,语句的执行时间也会变得更短。
那么,是不是所有的 order by 都需要排序操作呢?
并不是!
从上面分析的执行过程我们可以看到,MySQL 之所以需要 sort_buffer,并且在 sort_buffer 上做排序操作,其原因是原来的数据都是无序的。
回顾下我们的需求:查询出 city 是 “南京” 的所有 username,并且按照 username 进行排序,返回前 1000 个人的姓名、年龄。
那,如果能够保证从 city 这个索引上取出来的数据行,已经天然就是按照 username 进行递增排序的话,不就不用再排序了吗
所以,我们可以在这张表上创建一个 city 和 username 的联合索引:
alter table user add index idx_city_username(city, username);
在这个联合索引上,我们依然可以用树搜索的方式定位到第一个满足 city='南京' 的记录,并且额外确保了,接下来按顺序取 “下一条记录” 的遍历过程中,只要 city 的值是南京,username 的值就一定是有序的(不清楚的小伙伴可以回看下联合索引相关的知识)。
这样整个查询过程的流程就变成了:
1)从联合索引 (city, username) 上找到第一个满足 city='南京' 条件的主键 id
2)到主键 id 的索引树上查找到对应的整行数据(回表查询),取出 username、city 和 age 这三个字段的值,作为结果集的一部分直接返回
3)从联合索引 (city, username) 上取下一个记录主键 id;
4)重复步骤 2、3,直到查到第 1000 条记录,或者是不满足 city='南京' 条件时循环结束
可以看到,这个查询过程不需要 sort_buffer,也不需要排序,整个流程被大大缩短了。
再用 explain 分析下这条语句:
从图中可以看到,Extra 字段中没有 Using filesort 了,也就是不需要排序了。
而且由于 (city,username) 这个联合索引本身有序,所以这个查询也不用把 4000 行全都读一遍,只要找到满足条件的前 1000 条记录就可以退出了。也就是说,在我们这个例子里,只需要扫描 1000 次就可以了。
说到这里,不知道有没有小伙伴能够察觉点什么
回表查询!
是的,说了这么多,回表查询这个东西一直都在啊,完全可以用上 覆盖索引 来去掉回表过程啊~
不就是要回表取出 username、city 和 age 这三个字段的值吗,咱就直接创建一个 city、name 和 age 的联合索引,对应的 SQL 语句就是:
alter table user add index idx_city_username_age(city, username, age);
这样,整个流程就被进一步简化:
1)从联合索引 (city, username, age) 树上找到第一个满足 city='南京' 条件的记录,把这条记录作为结果集的一部分直接返回;
2)从联合索引 (city, username, age) 树上取下一个记录,同样将这条记录作为结果集的一部分直接返回
3)重复执行步骤 2,直到查到第 1000 条记录,或者是不满足 city='南京' 条件时循环结束
如下图所示:
当然了,使用覆盖索引性能上会快很多,但是索引的维护也是需要代价的,这里需要自己做一个权衡取舍~
最后放上这道题的背诵版:
🥸 面试官:SQL 优化了解过吗?
😎 小牛肉:我来说一下 order by 语句的优化。
- order by 的基本原理其实就是 MySQL 会给每个线程分配一块内存也就是 sort_buffer 用于排序,sort_buffer 中存储的是 select 涉及到的所有的字段,可以称为全字段排序吧。排序这个动作,可能在内存中完成,也可能需要使用外部排序,这取决于排序所需的内存和 sort_buffer 的大小,由参数
sort_buffer_size
决定。如果要排序的数据量小于 sort_buffer_size,排序就在内存中完成。但如果排序数据量太大,内存放不下,就需要利用磁盘临时文件来辅助排序。- 这里其实可以优化下,只存放排序相关的字段,而不是 select 涉及的所有字段,这样 sort_buffer 中存放的东西就多一点,就尽可能避免使用磁盘进行外部排序,或者说使得划分的磁盘文件相对变少,减少磁盘访问。这种排序称为 rowid 排序。如果表中单行的长度超过
max_length_for_sort_data
定义的值,那 MySQL 就认为单行太大(那么数据量肯定就越大,sort_buffer 可能不够用),由全字段排序改为 rowid 排序。以上是我们说的关于 order by 的两个参数优化,还可以根据索引进行一些优化
- 以
select a, b, c from table where a = xxxx order by b
为例,我们为查询条件 a 和排序条件 b 建立联合索引,联合索引就是 a 是从小到大绝对有序的,如果 a 相同,再按 b 从小到大排序,这样就不需要排序了,直接避免了排序这个操作。- 还可以进一步优化,由于联合索引 (a, b) 中没有 c 的值,所以从联合索引树上获取符合条件的对应主键 id 后,还需要回表查询取出 a b c 的值,这个回表查询的过程可以通过建立 (a,b,c) 覆盖索引来避免。
心之所向,素履以往,我是小牛肉,小伙伴们下篇文章再见 👋