一直认为in，exists 不走索引，被同事鄙视了……
共 5506字，需浏览 12分钟
·
2020-09-16 21:55
前言
最近，有一个业务需求，给我一份数据 A ，把它在数据库 B 中存在，而又比 A 多出的部分算出来。由于数据比较杂乱，我这里简化模型。
然后就会发现，我去，这不就是 not in ，not exists 嘛。
那么问题来了，in, not in , exists , not exists 它们有什么区别，效率如何？
曾经从网上听说，in 和 exists 不会走索引，那么事实真的是这样吗？
带着疑问，我们研究下去。
注意： 在说这个问题时，不说明 MySQL 版本的都是耍流氓，我这里用的是 5.7.18 。
用法讲解
为了方便，我们创建两张表 t1 和 t2 。并分别加入一些数据。（id为主键，name为普通索引）
-- t1
DROP TABLE IF EXISTS `t1`;
CREATE TABLE `t1` (
`id` int(11) NOT NULL AUTO_INCREMENT,
`name` varchar(255) DEFAULT NULL,
`address` varchar(255) DEFAULT NULL,
PRIMARY KEY (`id`),
KEY `idx_t1_name` (`name`(191)) USING BTREE
) ENGINE=InnoDB AUTO_INCREMENT=1009 DEFAULT CHARSET=utf8mb4;
INSERT INTO `t1` VALUES ('1001', '张三', '北京'), ('1002', '李四', '天津'), ('1003', '王五', '北京'), ('1004', '赵六', '河北'), ('1005', '杰克', '河南'), ('1006', '汤姆', '河南'), ('1007', '贝尔', '上海'), ('1008', '孙琪', '北京');
-- t2
DROP TABLE IF EXISTS `t2`;
CREATE TABLE `t2` (
`id` int(11) NOT NULL AUTO_INCREMENT,
`name` varchar(255) CHARACTER SET utf8mb4 COLLATE utf8mb4_general_ci NULL DEFAULT NULL,
`address` varchar(255) CHARACTER SET utf8mb4 COLLATE utf8mb4_general_ci NULL DEFAULT NULL,
PRIMARY KEY (`id`) USING BTREE,
INDEX `idx_t2_name`(`name`(191)) USING BTREE
) ENGINE = InnoDB AUTO_INCREMENT = 1014 CHARACTER SET = utf8mb4 COLLATE = utf8mb4_general_ci ROW_FORMAT = Dynamic;
INSERT INTO `t2` VALUES (1001, '张三', '北京');
INSERT INTO `t2` VALUES (1004, '赵六', '河北');
INSERT INTO `t2` VALUES (1005, '杰克', '河南');
INSERT INTO `t2` VALUES (1007, '贝尔', '上海');
INSERT INTO `t2` VALUES (1008, '孙琪', '北京');
INSERT INTO `t2` VALUES (1009, '曹操', '魏国');
INSERT INTO `t2` VALUES (1010, '刘备', '蜀国');
INSERT INTO `t2` VALUES (1011, '孙权', '吴国');
INSERT INTO `t2` VALUES (1012, '诸葛亮', '蜀国');
INSERT INTO `t2` VALUES (1013, '典韦', '魏国');
那么，对于当前的问题，就很简单了，用 not in 或者 not exists 都可以把 t1 表中比 t2 表多出的那部分数据给挑出来。（当然，t2 比 t1 多出来的那部分不算）这里假设用 name 来匹配数据。
select * from t1 where name not in (select name from t2);
或者用
select * from t1 where not exists (select name from t2 where t1.name=t2.name);
得到的结果都是一样的。
但是，需要注意的是，not in 和 not exists 还是有不同点的。
在使用 not in 的时候，需要保证子查询的匹配字段是非空的。如，此表 t2 中的 name 需要有非空限制。如若不然，就会导致 not in 返回的整个结果集为空。
例如，我在 t2 表中加入一条 name 为空的数据。
INSERT INTO `t2` VALUES (1014, NULL, '魏国');
则此时，not in 结果就会返回空。
另外需要明白的是， exists 返回的结果是一个 boolean 值 true 或者 false ，而不是某个结果集。
因为它不关心返回的具体数据是什么，只是外层查询需要拿这个布尔是，用 exists 时，若子查询查到了数据，则返回真。用 not exists 时，若子查询没有查到值做判断。区别数据，则返回真。
由于 exists 子查询不关心具体返回的数据是什么。因此，以上的语句完全可以修改为如下，
-- 子查询中 name 可以修改为其他任意的字段，如此处改为 1 。
select * from t1 where not exists (select 1 from t2 where t1.name=t2.name);
从执行效率来说，1 > column > * 。因此推荐用 select 1。（准确的说应该是常量值）
in, exists 执行流程
1、 对于 in 查询来说，会先执行子查询，如上边的 t2 表，然后把查询得到的结果和外表 t1 做笛卡尔积，再通过条件进行筛选（这里的条件就是指 name 是否相等），把每个符合条件的数据都加入到结果集中。
sql 如下，
select * from t1 where name in (select name from t2);
伪代码如下：
for(x in A){
for(y in B){
if(condition is true) {result.add();}
}
}
这里的 condition 其实就是对比两张表中的 name 是否相同。
2、对于 exists 来说，是先查询遍历外表 t1 ，然后每次遍历时，再检查在内表是否符合匹配条件，即检查是否存在 name 相等的数据。
sql 如下，
select * from t1 where name exists (select 1 from t2);
伪代码如下：
for(x in A){
if(exists condition is true){result.add();}
}
对应于此例，就是从 id 为 1001 开始遍历 t1 表 ，然后遍历时检查 t2 中是否有相等的 name 。
如 id=1001时，张三存在于 t2 表中，则返回 true，把 t1 中张三的这条记录加入到结果集，继续下次循环。id=1002 时，李四不在 t2 表中，则返回 false，不做任何操作，继续下次循环。直到遍历完整个 t1 表。
是否走索引？
针对网上说的 in 和 exists 不走索引，那么究竟是否如此呢？
我们在 MySQL 5.7.18 中验证一下。（注意版本号哦）
单表查询
首先，验证单表的最简单的情况。我们就以 t1 表为例，id为主键， name 为普通索引。
分别执行以下语句，
explain select * from t1 where id in (1001,1002,1003,1004);
explain select * from t1 where id in (1001,1002,1003,1004,1005);
explain select * from t1 where name in ('张三','李四');
explain select * from t1 where name in ('张三','李四','王五');
为什么我要分别查不同的 id 个数呢？看截图，
会惊奇的发现，当 id 是四个值时，还走主键索引。而当 id 是五个值时，就不走索引了。这就很耐人寻味了。
再看 name 的情况，
同样的当值多了之后，就不走索引了。
所以，我猜测这个跟匹配字段的长度有关。按照汉字是三个字节来计算，且程序设计中喜欢用2的n次幂的尿性，这里大概就是以 16 个字节为分界点。
然而，我又以同样的数据，去我的服务器上查询（版本号 5.7.22），发现四个id值时，就不走索引了。因此，估算这里的临界值为 12 个字节。
不管怎样，这说明了，在 MySQL 中应该对 in 查询的字节长度是有限制的。（没有官方确切说法，所以，仅供参考）
多表涉及子查询
我们主要是去看当前的这个例子中的两表查询时， in 和 exists 是否走索引。
一、分别执行以下语句，主键索引（id）和普通索引（name），在 in , not in 下是否走索引。
explain select * from t1 where id in (select id from t2); --1
explain select * from t1 where name in (select name from t2); --2
explain select * from t1 where id not in (select id from t2); --3
explain select * from t1 where name not in (select name from t2); --4
结果截图如下，
1、t1 走索引，t2 走索引。
2、t1 不走索引，t2不走索引。（此种情况，实测若把name改为唯一索引，则t1也会走索引）
3、t1 不走索引，t2走索引。
4、t1不走索引，t2不走索引。
我滴天，这结果看起来乱七八糟的，好像走不走索引，完全看心情。
但是，我们发现只有第一种情况，即用主键索引字段匹配，且用 in 的情况下，两张表才都走索引。
这个到底是不是规律呢？有待考察，且往下看。
二、接下来测试，主键索引和普通索引在 exists 和 not exists 下的情况。sql如下，
explain select * from t1 where exists (select 1 from t2 where t1.id=t2.id);
explain select * from t1 where exists (select 1 from t2 where t1.name=t2.name);
explain select * from t1 where not exists (select 1 from t2 where t1.id=t2.id);
explain select * from t1 where not exists (select 1 from t2 where t1.name=t2.name);
这个结果就非常有规律了，且看，
有没有发现， t1 表哪种情况都不会走索引，而 t2 表是有索引的情况下就会走索引。为什么会出现这种情况？
其实，上一小节说到了 exists 的执行流程，就已经说明问题了。
它是以外层表为驱动表，无论如何都会循环遍历的，所以会全表扫描。而内层表通过走索引，可以快速判断当前记录是否匹配。
效率如何？
针对网上说的 exists 一定比 in 的执行效率高，我们做一个测试。
分别在 t1，t2 中插入 100W，200W 条数据。
我这里，用的是自定义函数来循环插入，语句参考如下，（没有把表名抽离成变量，因为我没有找到方法，尴尬）
-- 传入需要插入数据的id开始值和数据量大小，函数返回结果为最终插入的条数，此值正常应该等于数据量大小。
-- id自增，循环往 t1 表添加数据。这里为了方便，id、name取同一个变量，address就为北京。
delimiter //
drop function if exists insert_datas1//
create function insert_datas1(in_start int(11),in_len int(11)) returns int(11)
begin
declare cur_len int(11) default 0;
declare cur_id int(11);
set cur_id = in_start;
while cur_len < in_len do
insert into t1 values(cur_id,cur_id,'北京');
set cur_len = cur_len + 1;
set cur_id = cur_id + 1;
end while;
return cur_len;
end
//
delimiter ;
-- 同样的，往 t2 表插入数据
delimiter //
drop function if exists insert_datas2//
create function insert_datas2(in_start int(11),in_len int(11)) returns int(11)
begin
declare cur_len int(11) default 0;
declare cur_id int(11);
set cur_id = in_start;
while cur_len < in_len do
insert into t2 values(cur_id,cur_id,'北京');
set cur_len = cur_len + 1;
set cur_id = cur_id + 1;
end while;
return cur_len;
end
//
delimiter ;
在此之前，先清空表里的数据，然后执行函数，
select insert_datas1(1,1000000);
对 t2 做同样的处理，不过为了两张表数据有交叉，就从 70W 开始，然后插入 200W 数据。
select insert_datas2(700000,2000000);
在家里的电脑，实际执行时间，分别为 36s 和 74s。
不知为何，家里的电脑还没有在 Docker 虚拟机中跑的脚本快。。害，就这样凑合着用吧。
等我有了新欢钱，就把它换掉，哼哼。
同样的，把上边的执行计划都执行一遍，进行对比。我这里就不贴图了。
in 和 exists 孰快孰慢
为了方便，主要拿以下这两个 sql 来对比分析。
select * from t1 where id in (select id from t2);
select * from t1 where exists (select 1 from t2 where t1.id=t2.id);
执行结果显示，两个 sql 分别执行 1.3s 和 3.4s 。
注意此时，t1 表数据量为 100W， t2 表数据量为 200W 。
按照网上对 in 和 exists 区别的通俗说法，
如果查询的两个表大小相当，那么用in和exists差别不大；如果两个表中一个较小一个较大，则子查询表大的用exists，子查询表小的用in；
对应于此处就是：
当 t1 为小表， t2 为大表时，应该用 exists ，这样效率高。
当 t1 为大表，t2 为小表时，应该用 in，这样效率较高。
而我用实际数据测试，就把第一种说法给推翻了。因为很明显，t1 是小表，但是 in 比 exists 的执行速度还快。
为了继续测验它这个观点，我把两个表的内表外表关系调换一下，让 t2 大表作为外表，来对比查询，
select * from t2 where id in (select id from t1);
select * from t2 where exists (select 1 from t1 where t1.id=t2.id);
执行结果显示，两个 sql 分别执行 1.8s 和 10.0s 。
是不是很有意思。可以发现，
对于 in 来说，大表小表调换了内外层关系，执行时间并无太大区别。一个是 1.3s，一个是 1.8s。
对于 exists 来说，大小表调换了内外层关系，执行时间天壤之别，一个是 3.4s ，一个是 10.0s，足足慢了两倍。
一、以查询优化器维度对比。
为了探究这个结果的原因。我去查看它们分别在查询优化器中优化后的 sql 。
以 select * from t1 where id in (select id from t2); 为例，顺序执行以下两个语句。
-- 此为 5.7 写法，如果是 5.6版本，需要用 explain extended ...
explain select * from t1 where id in (select id from t2);
-- 本意为显示警告信息。但是和 explain 一块儿使用，就会显示出优化后的sql。需要注意使用顺序。
show warnings;
在结果 Message 里边就会显示我们要的语句。
-- message 优化后的sql
select `test`.`t1`.`id` AS `id`,`test`.`t1`.`name` AS `name`,`test`.`t1`.`address` AS `address` from `test`.`t2` join `test`.`t1` where (`test`.`t2`.`id` = `test`.`t1`.`id`)
可以发现，这里它把 in 转换为了 join 来执行。
这里没有用 on，而用了 where，是因为当只有 join 时，后边的 on 可以用 where 来代替。即 join on 等价于 join where 。
PS： 这里我们也可以发现，select * 最终会被转化为具体的字段，知道为什么我们不建议用 select * 了吧。
同样的，以 t2 大表为外表的查询情况，也查看优化后的语句。
explain select * from t2 where id in (select id from t1);
show warnings;
我们会发现，它也会转化为 join 的。
select `test`.`t2`.`id` AS `id`,`test`.`t2`.`name` AS `name`,`test`.`t2`.`address` AS `address` from `test`.`t1` join `test`.`t2` where (`test`.`t2`.`id` = `test`.`t1`.`id`)
这里不再贴 exists 的转化 sql ，其实它没有什么大的变化。
二、以执行计划维度对比。
我们再以执行计划维度来对比他们的区别。
explain select * from t1 where id in (select id from t2);
explain select * from t2 where id in (select id from t1);
explain select * from t1 where exists (select 1 from t2 where t1.id=t2.id);
explain select * from t2 where exists (select 1 from t1 where t1.id=t2.id);
执行结果分别为，
可以发现，对于 in 来说，大表 t2 做外表还是内表，都会走索引的，小表 t1 做内表时也会走索引。看它们的 rows 一列也可以看出来，前两张图结果一样。
对于 exists 来说，当小表 t1 做外表时，t1 全表扫描，rows 近 100W；当 大表 t2 做外表时， t2 全表扫描，rows 近 200W 。这也是为什么 t2 做外表时，执行效率非常低的原因。
因为对于 exists 来说，外表总会执行全表扫描的，当然表数据越少越好了。
最终结论： 外层大表内层小表，用in。外层小表内层大表，in和exists效率差不多（甚至 in 比 exists 还快，而并不是网上说的 exists 比 in 效率高）。
not in 和 not exists 孰快孰慢
此外，实测对比 not in 和 not exists 。
explain select * from t1 where id not in (select id from t2);
explain select * from t1 where not exists (select 1 from t2 where t1.id=t2.id);
explain select * from t1 where name not in (select name from t2);
explain select * from t1 where not exists (select 1 from t2 where t1.name=t2.name);
explain select * from t2 where id not in (select id from t1);
explain select * from t2 where not exists (select 1 from t1 where t1.id=t2.id);
explain select * from t2 where name not in (select name from t1);
explain select * from t2 where not exists (select 1 from t1 where t1.name=t2.name);
小表做外表的情况下。对于主键来说， not exists 比 not in 快。对于普通索引来说， not in 和 not exists 差不了多少，甚至 not in 会稍快。
大表做外表的情况下，对于主键来说， not in 比 not exists 快。对于普通索引来说， not in 和 not exists 差不了多少，甚至 not in 会稍快。
感兴趣的同学，可自行尝试。以上边的两个维度（查询优化器和执行计划）分别来对比一下。
join 的嵌套循环 (Nested-Loop Join)
为了理解为什么这里的 in 会转换为 join ，我感觉有必要了解一下 join 的三种嵌套循环连接。
1、简单嵌套循环连接，Simple Nested-Loop Join ，简称 SNLJ
join 即是 inner join ，内连接，它是一个笛卡尔积，即利用双层循环遍历两张表。
我们知道，一般在 sql 中都会以小表作为驱动表。所以，对于 A，B 两张表，若A的结果集较少，则把它放在外层循环，作为驱动表。自然，B 就在内层循环，作为被驱动表。
简单嵌套循环，就是最简单的一种情况，没有做任何优化。
因此，复杂度也是最高的，O(mn)。伪代码如下，
for(id1 in A){
for(id2 in B){
if(id1==id2){
result.add();
}
}
}
2、索引嵌套循环连接，Index Nested-Loop Join ，简称 INLJ
看名字也能看出来了，这是通过索引进行匹配的。外层表直接和内层表的索引进行匹配，这样就不需要遍历整个内层表了。利用索引，减少了外层表和内层表的匹配次数。
所以，此种情况要求内层表的列要有索引。
伪代码如下，
for(id1 in A){
if(id1 matched B.id){
result.add();
}
}
3、块索引嵌套连接，Block Nested-Loop Join ，简称 BNLJ
块索引嵌套连接，是通过缓存外层表的数据到 join buffer 中，然后 buffer 中的数据批量和内层表数据进行匹配，从而减少内层循环的次数。
以外层循环100次为例，正常情况下需要在内层循环读取外层数据100次。如果以每10条数据存入缓存buffer中，并传递给内层循环，则内层循环只需要读取10次(100/10)就可以了。这样就降低了内层循环的读取次数。
MySQL 官方文档也有相关说明，可以参考：https://dev.mysql.com/doc/refman/5.7/en/nested-loop-joins.html#block-nested-loop-join-algorithm
所以，这里转化为 join，可以用到索引嵌套循环连接，从而提高了执行效率。
声明： 以上是以作者的测试数据为准，测出来的结果。实际真实数据和测试结果很有可能会不太一样。
有道无术，术可成；有术无道，止于术
欢迎大家关注Java之道公众号
好文章，我在看❤️