MySQL的varchar存储原理：InnoDB记录存储结构
摘要：varchar(M) 能存多少个字符，为什么提示最大16383？innodb怎么知道varchar真正有多长？记录为NULL，innodb如何处理？某个列数据占用的字节数非常多怎么办？影响每行实际可用空间的因素有哪些？本篇围绕innodb默认行格式dynamic来说说原理。
本文分享自华为云社区《MySQL的varchar水真的太深了——InnoDB记录存储结构》，作者：砖业洋__ 。
1. InnoDB是干嘛的？
InnoDB是一个将表中的数据存储到磁盘上的存储引擎。
2. InnoDB是如何读写数据的？
InnoDB处理数据的过程是发生在内存中的，需要把磁盘中的数据加载到内存中，如果是处理写入或修改请求的话，还需要把内存中的内容刷新到磁盘上。
读写磁盘的速度非常慢，和内存读写差了几个数量级，所以当我们想从表中获取某些记录时，InnoDB存储引擎将数据划分为若干个页，以页作为磁盘和内存之间交互的基本单位，InnoDB中页的大小默认为 16 KB。也就是在一般情况下，一次最少从磁盘中读取16KB的内容到内存中，或者一次最少把内存中的16KB内容刷新到磁盘中。
所以当你用postman测试一个HTTP分页查询接口（每页10条数据）时，发现第一次打印耗时300 ~ 400ms，往后不停的查找下一页10条数据时都是30 ~ 40ms，原因就是第一次请求接口时，读数据库的时候需要读磁盘，从磁盘加载16KB的数据到内存，往后HTTP请求每次查10条数据的时候都是从内存中获取，没有再读磁盘，除非在内存中的16KB的数据中找不到，才会再次读磁盘获取下一个16KB的数据到内存中。（我们不讨论mysql 8.0舍弃的查询缓存特性，我测试过mysql 5.7中关闭了查询缓存，也仍然是第一次慢，后续查询很快，查询时间相差大概10倍的样子）
温馨提示：分页查询和数据库的一页16KB中的"页"是两个概念。
总结：由于磁盘I/O速度相对内存来说较慢，因此第一次查询可能会比较耗时。一旦数据被加载到内存中，后续的查询就可以直接从内存中读取数据，这样的速度要比从磁盘读取数据快得多。这就解释了为什么第一次查询可能会比后续的查询慢。
查看磁盘和内存之间进行数据交换的页有多大
注意：innodb_page_size变量在服务器运行过程中不可以更改，只能在第一次初始化MySQL数据目录时指定。所以页在运行时的大小不可更改。
3. varchar疑问千千万——InnoDB行格式
看到这里，你一定有着和我相同的疑问，比如varchar(255)后面这个最大长度应该怎么选择呢？为什么不能varchar(65535)而最大只能varchar(16383)呢？我来带你看！
我们平时是以记录为单位来向表中插入数据的，这些记录在磁盘上的存放方式也被称为行格式或者记录格式。行格式有4种，分别是Dynamic、Compact、Redundant和Compressed
MySQL 5+默认行格式都是Dynamic， 在MySQL 5 和 MySQL 8经过验证确实是的。
SHOW VARIABLES LIKE "innodb_default_row_format"
大家在业务中和平时使用中都几乎没有修改过或者注意过InnoDB行格式，那么我就只重点讲默认行格式dynamic，让大家更深层次理解平时开发中的varchar。
请记住这个表结构，后面会围绕这个来讲
CREATE TABLE test ( c1 VARCHAR(10), c2 VARCHAR(10) NOT NULL, c3 CHAR(10), c4 VARCHAR(10)) CHARSET = utf8mb4;
现在业务数据库字符集都是utf8mb4，我就以这个来讲，把理解难度降到最低。
INSERT INTO test ( c1, c2, c3, c4 ) VALUES('aaaa', '你好啊', 'cc', 'd'),('eeee', 'fff', NULL, NULL);
现在，表中的记录就是这样
3.1 dynamic——innodb默认行格式
关于记录的额外信息这部分，是服务器为了描述这条记录而不得不额外添加的一些信息，这些额外信息分为3类，分别是变长字段长度列表、NULL值列表和记录头信息。
在这里我只讲变长字段长度列表、NULL值列表。因为记录头信息非常的绕和本篇没多大关系。
3.2 innodb怎么知道varchar真正有多长？——变长字段长度列表
一些变长的数据类型，比如VARCHAR(M)、各种TEXT类型，各种BLOB类型，变长数据类型的字段中存储多少字节的数据是不固定的，在存储真实数据的时候需要把这些数据占用的字节数也存起来。
就像设计String类型，不仅仅是存放真实数据的char数组，还有length变量去记录字符串长度。又比如input输入框最大限制500字，但是你还得有一个变量去统计真实在输入框内有多少字符。同理，varchar也有记录真实数据长度的变量（假设为L，后文沿用方便描述），L表示varchar真实占用的字节数，innodb最多分配2个字节去表示这个L，就像unsigned short类型，2个字节，寄存器最多只有16位来让你存这个长度，所以L记录范围是2^16 - 1 = 65535。
这些变长字段(比如varchar)占用的存储空间分为两部分：
- 真正的数据内容部分，放在对应的列
- 真实占用的字节数，放在变长字段列表部分
我们拿test表中的第一条记录来举个例子。因为test表的c1、c2、c4列都是VARCHAR(10)类型的，说明最大10个字符，所以这三个列的值的长度都需要保存在记录开头处，因为test表中的各个列都使用的是utf8mb4字符集，每个字符最大需要4个字节来进行编码（不使用utf8而是utf8mb4是因为可能存储emoji表情，如果只是文字，utf8就足够），来看一下第一条记录各变长字段内容的长度：
怎么确定这些字段有多少字节？
比如这里c2的"你好啊"，使用如下sql可以确定
SELECT LENGTH(c2) from test where c1='aaaa';
各变长字段数据占用的字节数按照列的顺序逆序存放！！
由于第一行记录中c1、c2、c4列中的字符串都比较短，也就是说varchar真实占用的字节数比较小，L用1个字节(8个bit位) 就可以表示，但是如果varchar真实占用的字节数比较多，L可能就需要用2个字节(16个bit位) 来表示。到底varchar能存多少字节呢？继续往下看。
3.3 varchar(M) 能存多少个字符，为什么提示最大16383？
首先要理解varchar(M)的M是说字符个数，而不是字节。
为什么不能varchar(20000)之类的，是20000个字符放不下吗？
为什么提示只能最大16383个字符呢？这个数字是怎么算出来的？
这个我就得和你好好唠嗑了！
varchar是变长的，varchar(64) 能存放0~64个字符不等，并不一定是存了最大64个字符，谁知道这个类型到底存了几个字符呢？innodb设计的时候，就已经考虑到了，不过是用字节作为单位，后续我们可以根据对应字符集转变为字符来理解，innodb必须记录变长字段varchar真实占用的字节数L。前面说过了，innodb最多分配2个字节(16个bit位)的空间去记录这个L。
InnoDB有它的一套规则，我们引入W、M和L这几个符号：
1.假设某个字符集中最多需要W字节来表示一个字符
- utf8mb4字符集中的W就是4
- utf8字符集中W就是3
- gbk字符集中的W就是2
- ascii字符集中的W就是1。
2.对于变长类型VARCHAR(M)来说，这种类型表示能存储最多M个字符（注意是字符不是字节）
所以这个类型能表示的字符串最多占用的字节数就是M × W。
3.假设它实际存储的字符串占用的字节数是L。
来看极限边界情况，innodb为了记录一下varchar真实存储多少个字节，最多分配2个字节的空间去记录，2个字节16个比特位，全部为1，最大能记录的数字是2^16-1是65535个，innodb最大能记录varchar占用的字节数就是65535个，utf8mb4字符集一个字符是最大是4个字节，65535 / 4 = 16383.75，只要varchar字符数不超过16383个，innodb就可以记录真实占用的长度L，再多就记录不了了！所以就能解释刚刚的图了，varchar(20000)不行，最大也就16383个字符
但是！这里强调是有但是的！
行最大长度是65535字节，行里面有很多东西，包括变长字段列表、NULL值列表、记录头信息。你得考虑该字段如果允许为NULL，NULL值列表会占用一个字节(只要没超过8个字段)，每一列字段的变长字段实际长度会花费1~2个字节，如果该字段的数据太大，会变成溢出列，该字段的数据会分成很多行存储（后面会讲，你可以看完NULL值列表和溢出列后再回来看这个例子）。所以即便提示16383个字符，你也绝对不可能存到16383。
我做了个测试
create table t2 ( name varchar(16383))charset=utf8mb4;
不断往这个字段添加字符保存测试，最后发现，这些字符总长度到极限也就是48545字节。
如果超过就会报错
这里48545个字节，再多一个字符就会报错，远不到65535字节，差了1W多字节。主要是因为溢出列的原因，数据分散在不同的行中，所以，很长的数据，建议往text类型考虑。这个现象可以看出，varchar(M)的M很大，实际是达不到M这个边界值的。
我使用的是英文字母测试而不是中文字符，大部分不是4字节的，所以能够存储更多的字符。如果考虑到额外的元数据，实际能够存储的VARCHAR字符数会更少，关于影响每行的实际可用空间有哪些因素，请接着往下看后面小节。
下面说明一下规则(讲解中字符集用utf8mb4，W=4)
规则一：如果允许存储的最大字节数M × W <= 255，varchar占用的真实字节数L只分配1个字节来表示。
有人说，允许存储的最大字节数M × W <= 255，即允许存储的最大字符数 <= ⌊255 / 4⌋ = 63个时，varchar占用的真实字节数L仅分配1个字节就能表示。这个结论正确吗？
显然错误，因为这里255 / 4，你怎么知道每个存储的一个字符是4个字节呢？难道全部存的emoji表情？不存字母汉字啥的？
实际上不是所有的字符都会占用W个字节。例如，在utf8mb4字符集中，一个英文字母只占用1个字节，而一个emoji表情符号会占用4个字节。因此，“最多M个字符”并不意味着总是需要M × W个字节。
InnoDB在读记录的变长字段长度列表时先查看表结构，如果某个变长字段允许存储的最大字节数不大于255时，只用1个字节来表示真实数据占用的字节。
规则二：如果允许存储的最大字节数M × W > 255，则分为两种情况：
如果实际存储字节L <= 127，varchar占用的真实字节数L仅分配1个字节就能表示。(⌊ … ⌋表示向下取整)
有人说，实际存储字节L <= 127，即实际存储字符 <= ⌊127 / 4⌋ = 31个时，varchar占用的真实字节数L仅分配1个字节就能表示。这个结论正确吗？
还是错误，道理和上面一样。
如果实际存储字节L > 127，varchar占用的真实字节数L需要分配2个字节才能表示。
另外需要注意的是，变长字段列表只存储非NULL的列的长度。
表记录是这样的
对于第二条记录，c4列值为NULL，所以只存储c1和c2列即可。
第一条记录的变长字段长度列表部分占用3字节空间，因为有c1、c2、c4列，且内容都很少，每列真实占用字节数用1个字节可以表示，加起来就是3个字节，第二条记录变长字段长度列表部分占用2字节。
当然，并不是所有记录都有这个变长字段长度列表部分，比方说表中所有的列都不是变长的数据类型或者 所有列的值都是NULL 的话，这一部分就不需要有。实际业务开发中，几乎没有不使用varchar的，所以实际开发中的记录都会有变长字段长度列表部分
3.4 记录为NULL，innodb如何处理？——NULL值列表
能仔细看到这里，你肯定是个高手了。如果你和我一样开发规范中不推荐NULL，一般都写NOT NULL，其实记录中就不存在NULL值列表了，也节省了空间。
如果表中的某些列可能存储NULL值，把这些NULL值都放到记录的真实数据中存储会很占地方，所以dynamic行格式把这些值为NULL的列统一管理起来，存储到NULL值列表中，它的处理过程是这样的：
1.统计表中允许存储NULL的列有哪些。
主键列、被NOT NULL修饰的列都是不可以存储NULL值的，所以在统计的时候不会把这些列算进去。比方说表test的3个列c1、c3、c4都是允许存储NULL值的，而c2列是被NOT NULL修饰，不允许存储NULL值。
2.如果表中没有允许存储 NULL 的列，则 NULL值列表也不存在了，否则将每个允许存储NULL的列对应一个二进制位，二进制位按照列的顺序逆序排列。二进制位的值为1时，代表该列的值为NULL，为0时，代表该列的值不为NULL。因为表test的c1、c3、c4都是允许存储NULL值的允许为NULL的列，所以这3个列和二进制位的对应关系就是这样：
3.NULL值列表必须用整数个字节的位表示，如果使用的二进制位个数不是整数个字节，则在字节的高位补0。
也就是说，表test只有3个字段允许为NULL，对应3个二进制位，不足1字节，那么就在高位补0即可。
以此类推，如果表中有9个字段都允许为NULL，那么这个记录的NULL值列表就需要2个字节来表示，高字节高位补0。
对于第一条记录，c1、c3、c4都不为NULL，对应的为进制位为0，十六进制表示就是0x00
对于第二条记录，c3、c4都是NULL，对应的二进制位为1，十六进制表示就是0x06
这两条记录在填充了NULL值列表后示意图如下：
3.5 为什么varchar(16383)存不到理论字符16383，影响每行实际可用空间的因素有哪些？
在utf8mb4字符集下，VARCHAR(16383)代表的是最多可以存储16383个字符。由于utf8mb4编码下，一个字符最多占用4个字节，所以理论上VARCHAR(16383)最多可以占用 16383 * 4 = 65532字节。但是还需要考虑到InnoDB的元数据和内部碎片等空间，由于这些额外的开销，无法在一个VARCHAR(16383)字段中存储16383个字符。
内部碎片：内部碎片主要是由于数据库页（Page）或块（Block）的固定大小导致的。InnoDB的页大小通常设置为16KB，每一页中包含了多行数据以及额外的页级元数据。如果一页中的数据没有完全填满这个空间，那么剩余的空间就会成为内部碎片，不能被其他行使用。
内部碎片通常在以下情况中出现：
- 固定大小的数据页/块：数据库通常使用固定大小的数据页（例如，在InnoDB中，页的大小通常为16KB）来存储数据。如果一页中的数据没有完全填满这个空间，剩下的空间就会成为内部碎片。
- 数据更新：当一个字段的值被更新为一个更小的值时，剩下的空间可能会成为内部碎片。数据库可能会保留这个空间，以便在未来这个字段的值再次增大时使用。
- 预留空间：为了提高性能，数据库可能会预留一些空间，使得数据的插入和更新操作不需要立即重新分配空间。这些预留的空间也会成为内部碎片。
举个例子：
我们创建一个包含VARCHAR字段的表：
CREATE TABLE test ( id INT AUTO_INCREMENT PRIMARY KEY, data VARCHAR(100) );
然后我们插入一行数据，其中data字段填充了100个字符：
INSERT INTO test (data) VALUES (REPEAT('a', 100));
接下来我们更新这行数据，将data字段的值改为只有10个字符：
UPDATE test SET data = REPEAT('a', 10) WHERE id = 1;
在这个例子中，当我们更新data字段的值时，原来占用的100个字符的空间并不会立即被收缩，即使新的值只有10个字符。这就产生了内部碎片，即那些不再使用但还未被回收的空间。
这种内部碎片化的影响在实际操作中可能并不那么明显，因为数据库系统会尽可能地重用这些空间。如果后续有新的数据需要更多的空间，这些内部碎片的空间就可能会被利用起来。但是如果后续数据主要进行读操作而很少进行写操作的情况下，内部碎片可能会成为影响数据库性能的一个因素。
假设我们有一个包含大量数据的表，这个表目前主要进行读操作，而写操作则相对较少。如果这个表存在大量的内部碎片化（可能是由过去的写操作留下的，例如更新和删除），那么实际存储的数据可能只占用了可用空间的一小部分，大量的空间被内部碎片占用。这种情况下，数据库需要加载更多的页到内存中来获取相同量的数据，这会增加I/O操作，从而降低读操作的性能。
除了内部碎片之外，影响每行实际可用空间的其他因素可能包括以下几个：
- 元数据：前文已经介绍，每行的元数据（包括记录头信息、NULL值列表和变长字段长度列表）都会占用一部分空间。
- 行格式：InnoDB的行格式（COMPACT，DYNAMIC或REDUNDANT）会影响每行的实际可用空间。例如，COMPACT格式会更紧凑，因此可能会提供更多的可用空间。
- 溢出页：对于非常大的字段（如BLOB和TEXT类型），InnoDB可能会将数据存储在单独的溢出页中，而不是直接在数据行中。这可以使得数据行保持较小的大小，但也会增加存储和检索这些字段的复杂性。
以下是一些主要的元数据：
- 记录头信息：每一行记录在InnoDB中都有一个记录头，包含了一些元数据，如记录类型、下一个记录的位置等。记录头的大小通常为5-7字节。
- NULL值列表：如果表中的字段允许NULL值，InnoDB会为每一行记录维护一个NULL值列表，用于标记哪些字段的值为NULL。每一个可以为NULL的字段会在这个列表中占用1位（不是1字节）。所以，如果有n个字段可以为NULL，那么NULL值列表就需要n位，即⌈n/8⌉字节（向上取整）。
- 变长字段长度列表：对于变长字段（如VARCHAR、VARBINARY、TEXT和BLOB类型），InnoDB需要存储每个字段实际值的长度。如果字段的最大可能长度不超过255字节，那么这个长度值会占用1个字节；如果字段的最大可能长度超过255字节，那么长度值可能会占用1个字节（如果实际长度不超过127字节）或2个字节（如果实际长度超过127字节）。
通常来说，内部碎片和元数据可能会对每行的实际可用空间产生最大的影响。
注意：CHAR类型和VARCHAR类型在元数据和内部碎片方面有些不同：
- 元数据：由于CHAR类型是固定长度的，所以它不需要像VARCHAR类型那样存储额外的元数据来表示实际的长度。这意味着对于同样长度的字符串，CHAR类型会使用更少的空间来存储元数据。
- 内部碎片：CHAR类型由于是固定长度的，可能会产生内部碎片。比如，如果定义了一个CHAR(100)字段，但实际上只存储了10个字符的字符串，那么剩下的90个字符的空间就会被浪费，这就是内部碎片。另一方面，VARCHAR类型只会使用实际所需的空间，因此内部碎片会较少。
所以，尽管CHAR类型不需要存储长度的元数据，但它可能会因为固定长度的特性而产生更多的内部碎片。
在MySQL中，任何类型的列都可以被声明为NULL或NOT NULL，所以CHAR类型也可以有NULL值列表。
3.6 某个列数据占用的字节数非常多怎么办？——dynamic行格式的溢出列
在MySQL 5.7及之后的版本中，默认的行格式是DYNAMIC。在DYNAMIC行格式中，如果一个字段的大小超过了页面的可用空间，该字段就会被存储为溢出列。
这里是一个例子：
CREATE TABLE `big_data` ( `id` int(11) NOT NULL AUTO_INCREMENT, `data` longblob, PRIMARY KEY (`id`) ) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 ROW_FORMAT=DYNAMIC;
在这个表中，data列的类型是longblob，这意味着它可以存储的数据长度最大达到4GB。如果你插入一个大于16KB的数据到这个表，那么data列的数据就会被作为溢出列处理。
INSERT INTO big_data (data) VALUES (REPEAT('a', 17000));
在这个例子中，插入的数据长度超过了16KB，所以data列的数据会被作为溢出列处理。在原始的表中，data列只会存储一个20字节的指针，这个指针指向实际数据的存储位置。
这样的设计可以确保每个页内的数据都保持在合理的大小范围内，避免了由于单个字段数据过大导致的页分裂等问题，从而提高了整体的存储效率和查询性能。同时，对于读取溢出列的数据，虽然可能需要额外的磁盘I/O，但只要数据的访问是顺序的，通常这个开销并不会太大。
后续：如果大家对innodb存储结构其他行格式感兴趣，或者我没说的记录头信息，可以去阅读《MySQL是怎样运行的》一书，我和书中不同的是，书中讲的Compact格式，字符集是ascii，我选用的是平时开发中用到的默认dynamic格式，字符集是utf8mb4，对于书中比较难理解的点都举出了例子，字符集变化后所有的数据我在文中和图中都有重新计算。大家平时或许没关注过行格式，那么就是按照dynamic格式理解就可以，更贴近实际开发。
