MySQL45讲join语句优化

Posted 2021-07-30 sysu_lluozh

在实际生产中，关于join语句使用的问题，一般会集中在以下两类：

1. dba不让使用join，使用join有什么问题呢？
2. 如果有两个大小不同的表做join，应该用哪个表做驱动表呢？

接下来先说说join语句到底是怎么执行的，然后再来回答这两个问题

为了便于量化分析，创建两个表t1和t2来说明

CREATE TABLE `t2` (
 `id` int(11) NOT NULL,
 `a` int(11) DEFAULT NULL,
 `b` int(11) DEFAULT NULL,
 PRIMARY KEY (`id`),
 KEY `a` (`a`)
) ENGINE=InnoDB;

dropprocedureidata;
delimiter;
createprocedureidata();

begin 
declareiint;
seti=1;
while(i<=1000)do 
	insertintot2values(i,i,i);
	seti=i+1;
end while;
end;;

delimiter;
callidata();
createtablet1liket2;
insertintot1(select*fromt2whereid<=100)

可以看到，两个表都有一个主键索引id和一个索引a，字段b上无索引
存储过程idata()往表t2里插入了1000行数据，在表t1里插入的是100行数据

一、Index Nested-Loop Join

1.1 执行语句

看看下面这个语句：

select * from t1 straight_join t2 on (t1.a=t2.a);

如果直接使用join语句，mysql优化器可能会选择表t1或t2作为驱动表，这样会影响分析SQL语句的执行过程
所以，为了便于分析执行过程中的性能问题，改用straight_join让MySQL使用固定的连接方式执行查询，这样优化器只会按照指定的方式去join

1.2 Index Nested-Loop Join

在上面这个语句里，t1是驱动表，t2是被驱动表

现在，看一下这条语句的explain结果

可以看到，在这条语句中，被驱动表t2的字段a上有索引，join过程用上了这个索引，因此这个语句的执行流程是这样的：

1. 从表t1中读入一行数据 R
2. 从数据行R中，取出a字段到表t2里去查找
3. 取出表t2中满足条件的行，跟R组成一行，作为结果集的一部分
4. 重复执行步骤1到3，直到表t1的末尾循环结束

这个过程是先遍历表t1，然后根据从表t1中取出的每行数据中的a值，去表t2中查找满足条件的记录

在形式上，这个过程就跟我们写程序时的嵌套查询类似，并且可以用上被驱动表的索引，所以称之为Index Nested-Loop Join，简称NLJ

1.3 Index Nested-Loop Join执行流程

Index Nested-Loop Join算法的执行流程：

在这个流程里：

1. 对驱动表t1做了全表扫描，这个过程需要扫描100行
2. 对于每一行R，根据a字段去表t2查找，走的是树搜索过程
   由于构造的数据是一 一对应的，每次的搜索过程都只扫描一行，也是总共扫描100行
3. 整个执行流程，总扫描行数是200

1.4 NLJ模式下问题解答

现在了解了整个过程，再试着回答一下一开始的那两个问题

• 能不能使用join

先看第一个问题，能不能使用join?

假设不使用join，那只能用单表查询，看看上面这条语句的需求，用单表查询怎么实现

1. 执行select * from t1，查出表t1的所有数据，这里有100行
2. 循环遍历这100行数据：
   从每一行R取出字段a的值$R.a
   执行select * from t2 where a=$R.a
   把返回的结果和R构成结果集的一行

可以看到，在这个查询过程，扫描了200行，但是总共执行了101条语句，比直接join多了100次交互，除此之外，客户端还要自己拼接SQL语句和结果

显然，这么做还不如直接join好

• 怎么选择驱动表

再看看第二个问题：怎么选择驱动表？

在这个join语句执行过程中，驱动表是走全表扫描，而被驱动表是走树搜索

假设被驱动表的行数是M
每次在被驱动表查一行数据，要先搜索索引a，再搜索主键索引
每次搜索一棵树近似复杂度是以2为底的M的对数，记为log2M，所以在被驱动表上查一行的时间复杂度是2*log2M

假设驱动表的行数是N，执行过程就要扫描驱动表N行，然后对于每一行，到被驱动表上匹配 一次
因此整个执行过程，近似复杂度是 N + N2log2M

显然，N对扫描行数的影响更大，因此应该让小表来做驱动表

到这里小结一下，通过上面的分析可以得到了两个结论：

1. 使用join语句，性能比强行拆成多个单表执行SQL语句的性能要好
2. 如果使用join语句的话，需要让小表做驱动表

但是，需要注意，这个结论的前提是可以使用被驱动表的索引

接下来，再看看被驱动表用不上索引的情况

二、Simple Nested-Loop Join

2.1 执行语句

现在，把SQL语句改成这样：

select * from t1 straight_join t2 on (t1.a=t2.b);

由于表t2的字段b上没有索引，因此每次到t2去匹配的时候，就要做一次全表扫描

可以先设想一下这个问题，继续使用上面的算法，是不是可以得到正确的结果呢？如果只看结果的话，这个算法是正确的，而且这个算法也有一个名字，叫做Simple Nested-Loop Join

2.2 扫描行数

但是，这样算下来，这个SQL请求就要扫描表t2多达100次，总共扫描100*1000=10万行

这还只是两个小表，如果t1和t2都是10万行的表，就要扫描100亿行，这个算法看上去太笨重了

当然，MySQL也并没有使用这个Simple Nested-Loop Join算法

三、Block Nested-Loop Join

在没有可用的索引时，MySQL使用另一个叫作Block Nested-Loop Join的算法，简称BNL

3.1 Block Nested-Loop Join执行流程

被驱动表上没有可用的索引，算法的流程是这样的：

1. 把表t1的数据读入线程内存join_buffer中，上面语句中写的是select *，因此是把整个表t1放入了内存
2. 扫描表t2，把表t2中的每一行取出来，跟join_buffer中的数据做对比，满足join条件的，作为结果集的一部分返回

Block Nested-Loop Join算法的执行流程：

对应地，不使用索引字段join的SQL语句explain结果如下所示：

可以看到，在这个过程中，对表t1和t2都做了一次全表扫描，因此总的扫描行数是1100
由于join_buffer是以无序数组的方式组织的，因此对表t2中的每一行，都要做100次判断，总共需要在内存中做的判断次数是：100*1000=10万次

上面Simple Nested-Loop Join中说过，如果使用Simple Nested-Loop Join算法进行查询，扫描行数也是10万行
因此，从时间复杂度上来说，这两个算法是一样的，但Block Nested-Loop Join算法的这10万次判断是内存操作，速度上会快很多，性能也更好

3.2 驱动表的选择

接下来看一下，在这种情况下，应该选择哪个表做驱动表

假设小表的行数是N，大表的行数是M，那么在这个算法里：

1. 两个表都做一次全表扫描，所以总的扫描行数是M+N
2. 内存中的判断次数是M*N

可以看到，调换这两个算式中的M和N没差别，因此这时候选择大表还是小表做驱动表，执行 耗时是一样的

3.3 join_buffer_size设定

可能会发现，这个例子里表t1才100行，要是表t1是一个大表，join_buffer放不下怎么办呢？

join_buffer的大小是由参数join_buffer_size设定的，默认值是256k
如果放不下表t1的所有数据话，策略很简单，就是分段放

把join_buffer_size改成1200，再执行：

select * from t1 straight_join t2 on (t1.a=t2.b);

执行过程变成如下：

1. 扫描表t1，顺序读取数据行放入join_buffer中，放完第88行join_buffer满了，继续第2步
2. 扫描表t2，把t2中的每一行取出来，跟join_buffer中的数据做对比，满足join条件的，作为
   结果集的一部分返回
3. 清空join_buffer
4. 继续扫描表t1，顺序读取最后的12行数据放入join_buffer中，继续执行第2步

Block Nested-Loop Join执行流程图：

图中的步骤4和5，表示清空join_buffer再复用

这个流程才体现出了这个算法名字中Block的由来，表示分块去join

可以看到，这时候由于表t1被分成了两次放入join_buffer中，导致表t2会被扫描两次
虽然分成两次放入join_buffer，但是判断等值条件的次数还是不变的，依然是(88+12)*1000=10万次

3.3 join_buffer_size驱动表选择

再来看下，在这种情况下驱动表的选择问题

假设，驱动表的数据行数是N，需要分K段才能完成算法流程，被驱动表的数据行数是M

注意，这里的K不是常数，N越大K就会越大，因此把K表示为λ*N，显然λ的取值范围是(0,1)

所以，在这个算法的执行过程中：

1. 扫描行数是 N+λNM
2. 内存判断 N*M次

显然，内存判断次数是不受选择哪个表作为驱动表影响的
而考虑到扫描行数，在M和N大小确定的情况下，N小一些，整个算式的结果会更小

所以结论是，应该让小表当驱动表

刚刚说过N越大，分段数K越大，那么，N固定的时候，什么参数会影响K的大小呢？(也就是λ的大小)
答案是:
join_buffer_size。join_buffer_size越大，一次可以放入的行越多，分成的段数也就越少，对被驱动表的全表扫描次数就越少

这就是为什么，可能会看到一些建议是，如果你的join语句很慢，就把join_buffer_size改大

3.4 BNL模式下问题解答

理解了MySQL执行join的两种算法，现在再来试着回答文章开头的两个问题

• 能不能使用join语句

先看第一个问题：能不能使用join语句？

1. 如果可以使用Index Nested-Loop Join算法，也就是说可以用上被驱动表上的索引，其实是没问题的
2. 如果使用Block Nested-Loop Join算法，扫描行数就会过多，尤其是在大表上的join操 作，这样可能要扫描被驱动表很多次，会占用大量的系统资源，所以这种join尽量不要用

所以在判断要不要使用join语句时，就是看explain结果里面，Extra字段里面有没有出现Block Nested Loop的字样

• 怎么选择驱动表

在看看第二个问题是：如果要使用join，应该选择大表做驱动表还是选择小表做驱动表？

1. 如果是Index Nested-Loop Join算法，应该选择小表做驱动表
2. 如果是Block Nested-Loop Join算法
   在join_buffer_size足够大的时候，是一样的
   在join_buffer_size不够大的时候(这种情况更常见)，应该选择小表做驱动表

所以，这个问题的结论就是，总是应该使用小表做驱动表

3.5 什么是小表

当然了，接下来说明下，什么叫作小表

• 单个字段

前面的例子是没有加条件的，如果我在语句的where条件加上t2.id<=50这个限定条件，再来看下这两条语句：

select * from t1 straight_join t2 on (t1.b=t2.b) where t2.id<=50;
select * from t2 straight_join t1 on (t1.b=t2.b) where t2.id<=50;

注意，为了让两条语句的被驱动表都用不上索引，所以join字段都使用了没有索引的字段b

但如果是用第二个语句的话，join_buffer只需要放入t2的前50行，显然是更好的
所以在这里，t2的前50行是那个相对小的表，也就是小表

• 多个字段

再来看另外一组例子：

select t1.b,t2.* from t1 straight_join t2 on (t1.b=t2.b) where t2.id<=100;
select t1.b,t2.* from t2 straight_join t1 on (t1.b=t2.b) where t2.id<=100;

这个例子里，表t1和t2都是只有100行参与join，但是，这两条语句每次查询放入join_buffer中的数据是不一样的

• 表t1只查字段b，如果把t1放到join_buffer中，则join_buffer中只需要放入b的值
• 表t2需要查所有的字段，如果把表t2放到join_buffer中的话，就需要放入三个字段id、 a和b

因此，应该选择表t1作为驱动表
也就是说在这个例子里，只需要一列参与join的表t1是那个相对小的表

所以，更准确地说，在决定哪个表做驱动表的时候，应该是两个表按照各自的条件过滤，过滤完成之后，计算参与join的各个字段的总数据量，数据量小的那个表，就是小表，应该作为驱动表

四、小结

介绍了MySQL执行join语句的两种可能算法，这两种算法是由能否使用被驱动表的索引决定，而能否用上被驱动表的索引，对join语句的性能影响很大

通过对Index Nested-Loop Join和Block Nested-Loop Join两个算法执行过程的分析，也得到了在一开始那两个问题的答案：

1. 如果可以使用被驱动表的索引，join语句还是有其优势的
2. 不能使用被驱动表的索引，只能使用Block Nested-Loop Join算法，这样的语句就尽量不要使用
3. 在使用join的时候，应该让小表做驱动表