半连接物化反连接

Posted 2023-02-17 戚焱

半连接、物化、反连接

且将新火试新茶

mysql查询优化器有多种策略可用于评估子查询：

• 对于IN（或=ANY）子查询，优化器具有以下选择：
  • 半连接
  • 物化
  • EXISTS
• 对于NOT IN（或 <>ALL）子查询，优化器具有以下选择：
  • 物化
  • EXISTS

semi-join半连接

我们来看一个mysql官方给出的案例：

假设有一个名为class和roster的表，分别表示班级表和班级–学生对应关系。要列出实际有学生的班级，可以使用以下连接：

class_num:班级编号（主键），class_name：班级名称

SELECT class.class_num, class.class_name
    FROM class
    INNER JOIN roster
    WHERE class.class_num = roster.class_num;

但是，结果为每个学生都列出一次所选的班级。对于所提出的问题，这是不必要的信息重复。对于有学生的班级，我们只需要拿到一次班级的信息即可。

可以使用distinct来消除重复的记录。

SELECT distinct class.class_num, class.class_name
    FROM class
    INNER JOIN roster
    WHERE class.class_num = roster.class_num;

但是distinct会先生成所有匹配的记录，然后再去消除重复，效率并不高。

使用子查询如何呢？

SELECT class_num, class_name
    FROM class
    WHERE class_num IN
        (SELECT class_num FROM roster);

下面这条使用exists的语句等效于上面的in语句

SELECT class_num, class_name
    FROM class
    WHERE EXISTS
        (SELECT * FROM roster WHERE class.class_num = roster.class_num);

mysql会采用半连接的方式来优化子查询，半连接中：mysql只关心外层查询的某条记录在子查询的结果集中是否可以匹配，而不考虑这条记录在子查询的结果集中存在多少条匹配的记录。

半连接实现的几种方法：

• 将子查询转换为联接，或者使用table pullout并将查询作为子查询表和外部表之间的内部联接运行。Table pullout将表从子查询拉出到外部查询。即将in操作转变为inner join操作，如果子查询的列本身就是唯一不重复的，那么inner join的结果也不会出现重复值。
• Duplicate Weedout：子链接的结果集中可能会出现很多重复数据，mysql会使用临时表删除重复的记录。
• FirstMatch：在外层查询中依次拿取一条记录，到子查询的表中进行匹配，如果匹配到就拿到第一条返回，不再继续匹配。选择一个而不是全部返回，这种“快捷方式”扫描可以消除不必要行的产生。
• LooseScan：使用索引扫描子查询表，从每个子查询的值组中选择单个值的索引扫描子查询表。当子查询可以使用索引时(非主键索引)，会拿到相同索引值中的一条记录去匹配。比如值为2的二级索引共3条，那么只需要拿到第一条去匹配外查询即可。
• Materialize：将子查询物化到用于执行连接的索引临时表中，该临时表用于执行连接，其中索引用于删除重复项。当将临时表与外部表连接起来时，索引也可以用于以后的查找；如果没有，则扫描表。(物化)

在MySQL 8.0.16及更高版本中，任何带有EXISTS子查询的语句都应与带有IN子查询语句等效。

mysql内部使用semi-join也是有条件的，并不是带有in或exists的查询就能使用半连接：

• 该子查询必须是和IN语句组成的布尔表达式，并且在外层查询的WHERE或者ON子句中出现。
• 不能有LIMIT。
• 不能包含任何聚合函数（无论是显式分组还是隐式分组）。
• 不能包含HAVING语句
• 必须是没有union构造的单个SELECT。
• 可以有DISTINCT，但是会忽略，因为半连接策略会自动处理删除重复项。
• 可以有ORDER BY，但是会忽略，因为排序无关半连接策略执行与评估。
• 允许但忽略GROUPBY子句，除非子查询还包含一个或多个聚合函数。
• 子查询可以是相关的也可以是不相关的

物化

物化通过生成子查询结果作为临时表（通常在内存中）来加快查询的执行速度。MySQL第一次需要子查询结果时，会将结果具体化为临时表。任何随后的需要结果的时间，MySQL都会再次引用临时表。

mysql会把临时表存储在内存中，并且为该表建立哈希索引。如果结果集非常大，临时表会被存储在磁盘中，索引类型会变为B+树索引。

重复的记录对于in来说，结果并不改变。所以把结果集假如到临时表的同时会去重，使得临时表变得更小。

物化表中的记录都建立了索引，所以使用in是非常快的。

SELECT * FROM t1
WHERE t1.a IN (SELECT t2.b FROM t2 WHERE where_condition);

优化器可能将此重写为 EXISTS相关子查询：

SELECT * FROM t1
WHERE EXISTS (SELECT t2.b FROM t2 WHERE where_condition AND t1.a=t2.b);

但像刚才半连接中说的，mysql会考虑最佳的执行策略，如果mysql采用物化，则不会将in重写为exists。而是使用临时表存储子查询的结果集。使得子查询只执行一次，而不是对外部查询的每一行执行一次。

这样像刚才那条不相关子查询就被优化成

select * from user inner join 临时表 on user_id = 临时表字段

物化也是有条件的：

• 内部和外部表达式的类型必须匹配。
• 内部表达式不能是BLOB

反链接

从MySQL 8.0.17开始，以下子查询被转换为反联接：

• NOT IN (SELECT ... FROM ...)
• NOT EXISTS (SELECT ... FROM ...)。
• IN (SELECT ... FROM ...) IS NOT TRUE
• EXISTS (SELECT ... FROM ...) IS NOT TRUE。
• IN (SELECT ... FROM ...) IS FALSE
• EXISTS (SELECT ... FROM ...) IS FALSE。

反链接就是外部查询中的记录不能匹配子查询结果集

SELECT class_num, class_name
    FROM class
    WHERE class_num NOT IN
        (SELECT class_num FROM roster);

该查询mysql会重写为：

SELECT class_num, class_name FROM class ANTIJOIN roster ON class_num

只要外部查询中的某一条记录，能匹配上子查询中的任意一条，就说明该记录就应该被丢弃。

反链接与半连接相似，mysql也会选择它认为更好的执行策略去执行，比如物化与FirstMatch。

如有错误，请不吝赐教。