mysql索引的性能分析
【前言】上一篇博客介绍了InnoDB引擎的索引机制,主要围绕B+树的建立,目录项记录里主键和页号,到页目录下的二分法定位数据;二级索引里的主键和索引列,及其回表操作。这一篇分析一下索引的性能,围绕如何更好的使用索引。
一、索引的代价
在熟悉了B+
树索引原理之后,本篇文章的主题是如何更好的使用索引,虽然索引是个好东西,可不能乱建,在介绍如何更好的使用索引之前先要了解一下使用这玩意儿的代价,它在空间和时间上都会拖后腿:
-
空间上的代价
这个是显而易见的,每建立一个索引都为要它建立一棵
B+
树,B+
树的每一个节点都是一个数据页,一个页可是要占用16KB
的存储空间的,一棵很大的B+
树由许多数据页组成,那可是很大的一片存储空间呢。 -
时间上的代价
我们讲过,每层节点都是按照索引列的值从小到大的顺序排序而组成了双向链表,而且每个页内的记录(不论是用户记录还是目录项记录)都是按照索引列的值从小到大的顺序而形成了一个单向链表。在对表中数据进行增、删、改操作的时候可能会对节点和记录的排序造成破坏,所以存储引擎需要额外的时间进行一些记录移位,页面分裂、页面回收啥的操作来维护好节点和记录的排序。如果我们建了许多索引,每个索引对应的
B+
树都要进行相关的维护操作,这还能不给性能拖后腿么?
二、B+树索引适用的条件
下边我们将唠叨许多种让B+
树索引发挥最大效能的技巧和注意事项,不过大家要清楚,所有的技巧都是源自你对B+
树索引的理解,所以如果你还不能保证对B+
树索引充分的理解,那么先回去温习一遍再来吧,要不然读文章对你来说是一种折磨。首先,B+
树索引并不是万能的,并不是所有的查询语句都能用到我们建立的索引。下边介绍几个我们可以使用B+
树索引来进行查询的情况。为了故事的顺利发展,我们需要先创建一个表,这个表是用来存储人的一些基本信息的:
CREATE TABLE person_info( name VARCHAR(100) NOT NULL, birthday DATE NOT NULL, phone_number CHAR(11) NOT NULL, country varchar(100) NOT NULL, KEY idx_name_age_birthday (name, birthday, phone_number) );
对于这个person_info
表我们需要注意两点:
-
我们并没有在表中定义主键,所以
innoDB
存储引擎会默认为我们的表添加一行row_id
列作为主键。 -
重点注意我们定义的索引
idx_name_age_birthday
,它是由3个列组成的联合索引。所以在这个索引对应的B+
树的叶子节点处存储的记录只保留name
、birthday
、phone_number
这三个列的值以及主键值。
下边我们画一下索引idx_name_age_birthday
的示意图,不过既然我们已经掌握了InnoDB
的B+
树索引原理,那我们在画图的时候为了让图更加清晰,所以在记录结构中就省略一些不必要的部分,比如单链表的箭头、记录的主键值啥的,只保留name
、birthday
、phone_number
这三个列的值,所以示意图就长这样(留心的同学看出来了,这其实和《高性能MySQL》里举的例子的图差不多,我觉得这个例子特别好,所以就借鉴了一下):
为了方便大家理解,我们特意用不同颜色区分了一下内节点和叶子节点。并且用不同颜色区分了一下内节点中的目录项记录和叶子节点中的用户记录(由于不是聚簇索引,所以用户记录是不完整的,缺少country
列的值)。从图中可以看出,这个idx_name_age_birthday
索引对应的B+
树中节点和记录的排序方式就是这样的:
-
先按照
name
列的值进行排序。 -
如果
name
列的值相同,则按照birthday
列的值进行排序。 -
如果
birthday
列的值也相同,则按照phone_number
的值进行排序。
这个排序方式十分、特别、非常、巨、very very very重要,因为只要节点和记录是排好序的,我们就可以通过二分法来快速定位查找。下边的内容都仰仗这个图了,大家对照着图理解。
2.1 全值匹配
如果我们的搜索条件中的列和索引列一致的话,这种情况就称为全值匹配,比方说下边这个查找语句:
SELECT * FROM person_info WHERE name = 'Ashburn' AND birthday = '1990-09-27' AND phone_number = '15123983239';
我们建立的idx_name_age_birthday
索引包含的3个列在这个查询语句中都展现出来了,而且搜索条件中列的顺序和定义索引列时的顺序是一致的。大家可以想象一下这个查询过程:
-
因为
B+
树的数据页和记录先是按照name
列的值进行排序的,所以可以很快定位name
列的值是Ashburn
的记录位置。 -
在
name
列相同的记录里又是按照birthday
列的值进行排序的,所以在name
列的值是Ashburn
的记录里又可以快速定位birthday
列的值是'1990-09-27'
的记录。 -
如果很不幸,
name
和birthday
列的值都是相同的,那记录是按照phone_number
列的值排序的,所以联合索引中的三个列都可能被用到。
如果搜索条件中的列的顺序和索引列的顺序不一致就不太好了,比方说先对birthday
列的值进行匹配的话,由于B+
树中的数据页和记录是先按name
列的值进行排序的,不能直接使用二分法
快速定位记录,所以只能扫描所有的记录页。
2.2 匹配左边的列
其实在我们的搜索语句中也可以不用包含全部联合索引中的列,只包含左边的就行,比方说下边的查询语句:
SELECT * FROM person_info WHERE name = 'Ashburn';
或者包含多个左边的列也行:
SELECT * FROM person_info WHERE name = 'Ashburn' AND birthday = '1990-09-27';
那为什么搜索条件中必须出现左边的列才可以使用到这个B+
树索引呢?比如下边的语句就用不到这个B+
树索引么?
SELECT * FROM person_info WHERE birthday = '1990-09-27';
是的,的确用不到,因为B+
树的数据页和记录先是按照name
列的值排序的,你直接根据birthday
的值去查找,臣妾做不到呀~ 那如果我就想在只使用birthday
的值去通过B+
树索引进行查找咋办呢?这好办,你再对birthday
列建一个B+
树索引就行了,创建索引的语法不用我唠叨了吧,如果不会出门左转看别的文章。
但是需要特别注意的一点是,搜索条件中的列的顺序必须和索引列的定义顺序一致,比方说索引列的定义顺序是name
、birthday
、phone_number
,如果我们的搜索条件中只有name
和phone_number
,而没有birthday
,这样只能用到name
列的索引,birthday
和phone_number
的索引就用不上了(因为name
值相同的记录先按照birthday
进行排序,birthday
值相同的记录才按照phone_number
值进行排序)。
所以,在使用索引的时候一定要按照建立索引的顺序去使用,这样才能发挥最大作用。不能有跳级。
2.3 匹配列前缀
对于字符串类型的索引列来说,我们没必要对该列的值进行精确匹配,只匹配它的前缀也是可以的,因为前缀本身就已经是排好序的。比方说我们想查询名字以'As'
开头的记录,那就可以这么写查询语句:
SELECT * FROM person_info WHERE name LIKE 'As%';
B+
树中的数据页和记录都先是按照name
列排序的,只给出前缀也是可以通过二分法
快速定位的。但是需要注意的是,如果只给出后缀或者中间的某个字符串,比如这样:
SELECT * FROM person_info WHERE name LIKE '%As%';
MySQL
就无法通过二分法
来快速定位记录位置了,因为字符串中间有'As'
的字符串并没有排好序,所以只能全表扫描了。
2.4 匹配范围值
回头看我们idx_name_age_birthday
索引的B+
树示意图,所有记录都是按照索引列的值从小到大的顺序排好序的,所以这极大的方便我们查找索引列的值在某个范围内的记录。比方说下边这个查询语句:
SELECT * FROM person_info WHERE name > 'Asa' AND name < 'Barlow';
由于B+
树中的节点和数据页是先按name
列排序的,所以我们上边的查询过程其实是这样的:
-
找到
name
值为Asa
的记录。 -
找到
name
值为Barlow
的记录。 -
哦啦,由于所有记录都是由连链表连起来的(记录之间用单链表,数据页之间用双链表),所以他们之间的记录都可以很容易的取出来喽~
-
找到这些记录的主键值,再到
聚簇索引
中回表
查找完整的记录。
不过进行范围查找的时候需要注意,如果对多个列同时进行范围查找的话,只有对索引最左边的那个列进行范围查找的时候才能用到B+
树索引,比方说这样:
SELECT * FROM person_info WHERE name > 'Asa' AND name < 'Barlow' AND birthday > '1980-01-01';
为啥不能呢?因为上边这个查询可以分成两个部分:
-
通过条件
name > 'Asa' AND name < 'Barlow'
来对name
进行范围,查找的结果可能有多条name
值不同的记录, -
对这些
name
值不同的记录继续通过birthday > '1980-01-01'
条件继续过滤。
但是值得注意的是,只有name
值相同的情况下才能用birthday
列的值进行排序,也就是说通过name
进行范围查找的结果并不是按照birthday
列进行排序的,所以在搜索条件中继续以birthday
列进行查找时是用不到B+
树索引的。要讲取出来的记录全盘扫描。
2.5 精确匹配某一列并范围匹配另外一列
对于同一个联合索引来说,虽然对多个列都进行范围查找时只能用到最左边那个索引列,但是如果左边的列是精确查找,则右边的列可以进行范围查找,比方说这样:
SELECT * FROM person_info WHERE name = 'Ashburn' AND birthday > '1980-01-01' AND birthday < '2000-12-31' AND phone_number > '15100000000';
这个查询的条件可以分为3个部分:
-
name = 'Ashburn'
,对name
列进行精确查找,当然可以使用B+
树索引了。 -
birthday > '1980-01-01' AND birthday < '2000-12-31'
,由于name
列是精确查找,所以通过name = 'Ashburn'
条件查找后得到的结果的name
值都是相同的,它们会再按照birthday
的值进行排序。所以此时对birthday
列进行范围查找是可以用到B+
树索引的。 -
phone_number > '15100000000'
,通过birthday
的范围查找的记录的birthday
的值可能不同,所以这个条件无法再利用B+
树索引了,只能遍历上一步查询得到的记录。
2.5 用于排序
我们在写查询语句的时候经常需要对查询出来的记录按照某种规则进行排序,对于不适用B+
树索引进行排序的情况,我们只能把记录都加载到内存中,再用一些排序算法,比如快速排序、归并排序、吧啦吧啦排序等等在内存中对这些记录进行排序,然后再把排好序的结果集返回到客户端。但是如果ORDER BY
子句里使用到了我们的索引列,就有可能省去在内存中排序的步骤,比如下边这个简单的查询语句:
SELECT * FROM person_info ORDER BY name, birthday, phone_number LIMIT 10;
这个查询的结果集需要先按照name
值排序,如果记录的name
值相同,则需要按照birthday
来排序,如果birthday
的值相同,则需要按照phone_number
排序。大家可以回过头去看我们建立的idx_name_age_birthday
索引的示意图,因为这个B+
树索引本身就是排好序的,所以直接从索引中提取数据就好了。简单吧?是的,索引就是这么diao~
但是有个问题需要注意,ORDER BY
的子句后边的列的顺序也必须按照索引列的顺序给出,如果给出ORDER BY phone_number, birthday, name
的顺序,那也是用不了B+
树索引,这种颠倒顺序就不能使用索引的原因我们上边详细说过了,这就不赘述了。同理,ORDER BY name
、ORDER BY name, birthday
这种匹配索引左边的列的形式可以使用部分的B+
树索引。可以看出索引的形式真的非常刻板!!!
2.6 用于分组
有时候我们为了方便统计表中的一些信息,会把表中的记录按照某些列进行分组。比如下边这个分组查询:
SELECT name, birthday, phone_number, COUNT(*) FROM person_info GROUP BY name, birthday, phone_number
这个查询语句相当于做了3次分组操作:
-
先把记录按照
name
值进行分组,所有name
值相同的记录划分为一组。 -
将每个
name
值相同的分组里的记录再按照birthday
的值进行分组,将birthday
值相同的记录放到一个小分组里,所以看起来就像在一个大分组里又化分了好多小分组。 -
再将上一步中产生的小分组按照
phone_number
的值分成更小的分组,所以整体上看起来就像是先把记录分成一个大分组,然后把大分组
分成若干个小分组
,然后把若干个小分组
再细分成更多的小小分组
。
然后针对那些小小分组
进行统计,比如在我们这个查询语句中就是统计每个小小分组
包含的记录条数。如果没有索引的话,这个分组过程全部需要在内存里实现,而如果有了索引的话,恰巧这个分组顺序又和我们的B+
树中的索引列的顺序是一致的,而我们的B+
树索引又是按照索引列排好序的,这不正好么,所以可以直接使用B+
树索引进行分组。
和使用B+
树索引进行排序是一个道理,分组列的顺序也需要和索引列的顺序一致,也可以只使用索引列中左边的列进行分组,吧啦吧啦的~
三、如何挑选索引
上边我们以idx_name_age_birthday
索引为例对索引的适用条件进行了详细的唠叨,下边看一下我们在建立索引时或者编写查询语句时就应该注意的一些事项。
1、只为用于搜索、排序或分组的列创建索引
也就是说,只为出现在WHERE
子句中的列、连接子句中的连接列,或者出现在ORDER BY
或GROUP BY
子句中的列创建索引。而出现在查询列表中的列就没必要建立索引了:
SELECT birthday, country FROM person_name WHERE name = 'Ashburn';
像查询列表中的birthday
、country
这两个列就不需要建立索引,我们只需要为出现在WHERE
子句中的name
列创建索引就可以了。
2、考虑列的基数
列的基数
指的是某一列中不重复数据的个数,比方说某个列包含值2, 5, 8, 2, 5, 8, 2, 5, 8
,虽然有9
条记录,但该列的基数却是3
。也就是说,在记录行数一定的情况下,列的基数越大,该列中的值越分散,列的基数越小,该列中的值越集中。这个列的基数
指标非常重要,直接影响我们是否能有效的利用索引。假设某个列的基数为1
,也就是所有记录在该列中的值都一样,那为该列建立索引是没有用的,因为所有值都一样就无法排序,无法进行二分法查找了~ 所以结论就是:最好为那些列的基数大的列建立索引,为基数太小列的建立索引效果可能不好。
3、索引列的类型尽量小
我们在定义表结构的时候要显式的指定列的类型,以整数类型为例,有TINYINT
、MEDIUMINT
、INT
、BIGINT
这么几种,它们占用的存储空间依次递增,能表示的整数范围当然也是依次递增,我们这里所说的类型大小
指的就是该类型表示的数据范围的大小。如果我们想要对某个整数列建立索引的话,在表示的整数范围允许的情况下,尽量让索引列使用较小的类型,比如我们能使用INT
就不要使用BIGINT
,能使用MEDIUMINT
就不要使用INT
~ 这是因为:
-
数据类型越小,在查询时进行的比较操作越快(这是CPU层次的东东)
-
数据类型越小,索引占用的存储空间就越少,在一个数据页内就可以放下更多的记录,从而减少磁盘
I/O
带来的性能损耗,也就意味着可以把更多的数据页缓存在内存中,从而加快读写效率。
这个建议对于表的主键来说更加适用,因为不仅是聚簇索引中会存储主键值,其他所有的二级索引的叶子节点处都会存储一份记录的主键值,如果主键适用更小的数据类型,也就意味着节省更多的存储空间。
4、索引字符串值的前缀
我们知道一个字符串其实是由若干个字符组成,如果我们在MySQL
中适用utf8
字符集去存储字符串的话,编码一个字符需要占用1~3
个字节。假设我们的字符串很长,那存储一个字符串就需要占用很大的存储空间。在我们需要为这个字符串列建立索引时,那就意味着在对应的B+
树中有这么两个问题:
-
B+
树索引中的记录需要把该列的完整字符串存储起来,而且字符串越长,在索引中占用的存储空间越大。 -
如果
B+
树索引中索引列存储的字符串很长,那在做字符串比较时会占用更多的时间。
所以索引的设计者提出了个方案 --- 只对字符串的前几个字符进行索引。通过字符串的前几个字符我们已经能大概排序字符串了,剩下不能排序的可以通过遍历进行查找啊,这样只在B+
树中存储字符串的前几个字符的编码,既节约空间,又减少了字符串的比较时间,还大概能解决排序的问题,何乐而不为,比方说我们在建表语句中只对name
列的前10个字符进行索引可以这么写:
CREATE TABLE person_info( name VARCHAR(100) NOT NULL, birthday DATE NOT NULL, phone_number CHAR(11) NOT NULL, country varchar(100) NOT NULL, KEY idx_name_age_birthday (name(10), birthday, phone_number) );
name(10)
就表示在建立的B+
树索引中只保留记录的前10
个字符的编码,这种只索引字符串值的前缀的策略是我们非常鼓励的,尤其是在字符串类型能存储的字符比较多的时候。
5、尽量使用联合索引
如果我们的搜索条件中有多个列的话,最好为这些列建立一个联合索引
, 而不是分别为每个列建立一个索引(因为每建一个索引都会维护一棵B+
树),就像我们person_info
表的idx_name_age_birthday
索引,它是name
、 birthday
、 phone_number
这三个列的联合索引,所以这个联合索引可以用于搜索下边几种列组合:
name, birthday, phone_number
name, birthday
name
如果我们的确有对其他列搜索的需求,那就为其他列单独再建一个索引吧,虽然创建索引是有代价的,但是还是要保证高效的查询比较重要。
6、让索引列在比较表达式中单独出现
假设表中有一个整数列my_col
,我们为这个列建立了索引。下边的两个WHERE
子句虽然语义是一致的,但是在效率上却有差别:
-
WHERE my_col * 2 < 4
-
WHERE my_col < 4/2
第1个WHERE
子句中my_col
列并不是以单独列的形式出现的,而是以my_col * 2
这样的表达式的形式出现的,存储引擎会依次遍历所有的记录,计算这个表达式的值是不是小于4
,所以这种情况下是使用不到为my_col
列建立的B+
树索引的。而第2个WHERE
子句中my_col
列并是以单独列的形式出现的,这样的情况可以直接使用B+
树索引。
所以结论就是:如果索引列在比较表达式中不是以单独列的形式出现,而是以某个表达式,或者函数调用形式出现的话,是用不到索引的。
8、主键插入顺序
我们知道,对于一个使用InnoDB
存储引擎的表来说,在我们没有显式的创建索引时,表中的数据实际上都是存储在聚簇索引
的叶子节点的。而记录又是存储在数据页中的,数据页和记录又是按照记录主键值从小到大的顺序进行排序,所以如果我们插入的记录的主键值是依次增大的话,那我们每插满一个数据页就换到下一个数据页继续插,而如果我们插入的主键值忽大忽小的话,这就比较麻烦了,假设某个数据页存储的记录已经满了,它存储的主键值在1~100
之间:
如果此时再插入一条主键值为9
的记录,那它插入的位置就如下图:
可这个数据页已经满了啊,再插进来咋办呢?我们需要把当前页面分裂成两个页面,把本页中的一些记录移动到新创建的这个页中。页面分裂和记录移位意味着什么?意味着:性能损耗!所以如果我们想尽量避免这样无谓的性能损耗,最好让插入的记录的主键值依次递增,这样就不会发生这样的性能损耗了。所以我们建议:让主键具有AUTO_INCREMENT
,让存储引擎自己为表生成主键,而不是我们手动插入 ,比方说我们可以这样定义person_info
表:
CREATE TABLE person_info( id INT UNSIGNED NOT NULL AUTO_INCREMENT, name VARCHAR(100) NOT NULL, birthday DATE NOT NULL, phone_number CHAR(11) NOT NULL, country varchar(100) NOT NULL, PRIMARY KEY (id), KEY idx_name_age_birthday (name(10), birthday, phone_number) );
我们自定义的主键列id
拥有AUTO_INCREMENT
属性,在插入记录时存储引擎会自动为我们填入自增的主键值。
9、冗余和重复索引
有时候有的同学有意或者无意的就对同一个列创建了多个索引,比方说这样写建表语句:
CREATE TABLE person_info( id INT UNSIGNED NOT NULL AUTO_INCREMENT, name VARCHAR(100) NOT NULL, birthday DATE NOT NULL, phone_number CHAR(11) NOT NULL, country varchar(100) NOT NULL, PRIMARY KEY (id), KEY idx_name_age_birthday (name(10), birthday, phone_number), KEY idx_name (name(10)) );
我们知道,通过idx_name_age_birthday
索引就可以对name
列进行快速搜索,再创建一个专门针对name
列的索引就算是一个冗余
索引,维护这个索引只会增加维护的成本,并不会对搜索有什么好处。
另一种情况,我们可能会对某个列重复建立索引,比方说这样:
CREATE TABLE repeat_index_demo (
c1 INT PRIMARY KEY,
c2 INT,
UNIQUE uidx_c1 (c1),
INDEX idx_c1 (c1)
);
我们看到,c1
既是主键、又给它定义为一个唯一索引,还给它定义了一个普通索引,可是主键本身就会生成聚簇索引,所以定义的唯一索引和普通索引是重复的,这种情况要避免。
10、覆盖索引
比方说这个查询:
SELECT * FROM person_info WHERE name = 'Ashburn';
person_info
表的idx_name_age_birthday
的索引列只有3个,而表中一共有4个列,所以为了获得完整的用户记录,在通过idx_name_age_birthday
索引得到对应的主键值后还得到聚簇索引
中做一次回表
操作。回表
操作也是要性能损耗的啊,所以我们建议:最好在查询列表里只包含索引列,比如这样:
SELECT name, birthday, phone_number FROM person_info WHERE name = 'Ashburn';
因为我们只查询name
, birthday
, phone_number
这三个索引列的值,所以在通过idx_name_age_birthday
索引得到结果后就不必到聚簇索引
中再查找记录的剩余列,也就是country
列的值了。这样就省去了回表
操作带来的性能损耗,我们把这种只需要用到索引的查询方式称为索引覆盖
。
当然,如果业务需要查询出索引以外的列,那还是以保证业务需求为重。但是我们很不鼓励用*
号作为查询列表,最好把我们需要查询的列依次标明。
总结
上边只是我们在创建和使用B+
树索引的过程中需要注意的一些点,后边我们还会陆续介绍更多的优化方法和注意事项,敬请期待。本集内容总结如下:
-
B+
树索引在空间和时间上都有代价,所以没事儿别瞎建索引。 -
B+
树索引适用于下边这些情况: -
全值匹配
-
匹配左边的列
-
匹配范围值
-
精确匹配某一列并范围匹配另外一列
-
用于排序
-
用于分组
-
在使用索引时需要注意下边这些事项:
-
只为用于搜索、排序或分组的列创建索引
-
为列的基数大的列创建索引
-
索引列的类型尽量小
-
可以只对字符串值的前缀建立索引
-
只有索引列在比较表达式中单独出现才可以适用索引
-
为了尽可能少的让
聚簇索引
发生页面分裂和记录移位的情况,建议让主键拥有AUTO_INCREMENT
属性。 -
定位并删除表中的重复和冗余索引
-
尽量适用
覆盖索引
进行查询,避免回表
带来的性能损耗。