为啥向这个 MySQL 查询添加特定的 where 子句会成为性能瓶颈?

Posted

技术标签:

【中文标题】为啥向这个 MySQL 查询添加特定的 where 子句会成为性能瓶颈?【英文标题】:Why is adding a specific where clause to this MySQL query a performance killing bottleneck?为什么向这个 MySQL 查询添加特定的 where 子句会成为性能瓶颈? 【发布时间】:2012-04-09 01:19:22 【问题描述】:

抱歉篇幅太长,想给出完整的描述!我需要显示一份报告,其中显示有关另一个表中的 id 的一些信息,以及当有人在 x 天内从一个国家/地区更改国家/地区时。请注意我如何可以在表中多次输入相同的国家/地区条目(因为信息会定期查询多次,但在此期间它们可能没有移动),并且还可以有不同的国家/地区条目(因为它们更改国家/地区)。

数据快速解释: 我有下表:

CREATE TABLE IF NOT EXISTS `country` (
`id` mediumint(8) unsigned NOT NULL,
`timestamp` datetime NOT NULL,
`country` varchar(64) DEFAULT NULL,
PRIMARY KEY (`id`,`timestamp`),
KEY `country` (`country`),
KEY `timestamp` (`timestamp`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8;

条目是这样的:

41352   2012-03-26 15:46:01     Jamaica
41352   2012-03-05 22:49:41     Jamaican Applicant
41352   2012-02-26 15:46:01     Jamaica
41352   2012-02-16 12:11:19     Jamaica
41352   2012-02-05 23:00:30     Jamaican Applicant

该表目前总共有大约 214,590 行,但一旦将测试数据替换为真实数据,就会有数百万行。

我想要的是关于从 y 时间离开 x 国家的每个人的一些信息。假设它是在上面的数据上运行的,我希望它是这样输出的:

id  name    last    country     TIMESTAMP   o_timestamp
41352 Sweet Mercy   Jamaica     2012-03-26 15:46:01     2012-03-05 22:49:41
41352 Sweet Mercy   Jamaica     2012-02-16 12:11:19     2012-02-05 23:00:30

其中 o_timestamp 比某个日期更新(比如说 100),国家是他们搬到的地方,他们来自的旧国家(未显示)是我传入查询的任何内容(牙买加申请人基于上述数据) .

我开发了以下查询以满足要求,并使用某个 id 进行测试:

SELECT a.id,
       c.name,
       c.last,
       a.country,
       a.timestamp,
       b.timestamp AS o_timestamp
FROM   country a
       INNER JOIN user_info c
         ON ( a.id = c.id )
       LEFT JOIN country AS b
         ON ( a.id = b.id
              AND a.timestamp != b.timestamp
              AND a.country != b.country )
WHERE  b.timestamp = (SELECT c.timestamp
                      FROM   country c
                      WHERE  a.id = c.id
                             AND a.timestamp > c.timestamp
                      ORDER  BY c.timestamp DESC
                      LIMIT  1) 
       AND a.id = 965

我完成了这个(总共 7 个,查询耗时 0.0050 秒)

一个解释扩展揭示了以下内容:

id  select_type     table   type    possible_keys   key     key_len     ref     rows    filtered    Extra
1   PRIMARY     c   const   PRIMARY     PRIMARY     3   const   1   100.00  
1   PRIMARY     a   ref     PRIMARY     PRIMARY     3   const   16  100.00  
1   PRIMARY     b   eq_ref  PRIMARY,timestamp   PRIMARY     11  const,func  1   100.00  Using where
2   DEPENDENT SUBQUERY  c   index   PRIMARY,timestamp   timestamp   8   NULL    1   700.00  Using where; Using index

所以我觉得我很不错,然后突然出现:

SELECT a.id,
       c.name,
       c.last,
       a.country,
       a.timestamp,
       b.timestamp AS o_timestamp
FROM   country a
       INNER JOIN user_info c
         ON ( a.id = c.id )
       LEFT JOIN country AS b
         ON ( a.id = b.id
              AND a.timestamp != b.timestamp
              AND a.country != b.country )
WHERE  b.timestamp = (SELECT c.timestamp
                      FROM   country c
                      WHERE  a.id = c.id
                             AND a.timestamp > c.timestamp
                      ORDER  BY c.timestamp DESC
                      LIMIT  1) 
       AND b.country = "whatever" AND timestamp > DATE_SUB(NOW(), INTERVAL 7 DAY)

在一个有 200 条记录但从未完成的国家/地区完成此查询花费了惊人的 6 分 54 秒(在下午和晚上外出之后

回家总共大约 8 小时)对于数据库中有 9000 条记录的国家/地区。在真实数据中,一个国家可能会轻松 10000 倍。 100k 不会不合理。

所以我确实解释了扩展,并得到这个:

id  select_type     table   type    possible_keys   key     key_len     ref     rows    filtered    Extra
1   PRIMARY     <derived2>  ALL     NULL    NULL    NULL    NULL    3003    100.00  
1   PRIMARY     c   eq_ref  PRIMARY     PRIMARY     3   b.id    1   100.00  
1   PRIMARY     a   ref     PRIMARY     PRIMARY     3   b.id    7   100.00  Using where
3   DEPENDENT SUBQUERY  c   index   PRIMARY,timestamp   timestamp   8   NULL    1   700.00  Using where; Using index
2   DERIVED     country     range   country,timestamp   country     195     NULL    474     100.00  Using where; Using index

所以它看起来更大,但并非不合理。

[删除了空间的配置变量,如果需要,请告诉我,还有性能信息,因为它可能是一个查询。]

如果我错过了什么,请告诉我。

【问题讨论】:

为什么WHERE子句中有ORDER BY? @rontornambe 请注意最后的LIMIT 1。它返回满足内部 where 子句的最新时间戳 where 子句中的子查询为我提供了该 ID 的下一个最早时间戳事件。如果没有 order by 我可以得到任何更早的行,但是如果 order by timestamp desc 限制为一个,我只能得到之前的一个。 只是想知道 - ORDER BY 可能很昂贵。 请以以下形式向您的问题添加详细示例 - 鉴于此数据,我希望得到此结果。这将使您更容易准确地理解您想要实现的目标。 【参考方案1】:

问题不在于添加标准;它正在掉一个造成伤害的东西。在原始查询中,您有:

AND a.id = 965

这意味着查询执行不需要读取整个a (country) 表。在第二个影响性能的查询中,将该标准更改为:

AND b.country = "whatever"
AND timestamp > DATE_SUB(NOW(), INTERVAL 7 DAY)

您不再对a 有一个真正限制性的标准,所以事情会慢得多。

当意识到b 是对country 的另一个引用时,事情变得更加复杂。尽管如此,从a 的条件到b(其中b 位于外连接的外侧)的变化并非微不足道;处理查询条件需要更长的时间。


这是否意味着因为我不是在寻找特定的 ID,所以我运气不好?

对于给定的查询结构,答案似乎是“是”,但给定的查询结构可能,容我们说,是次优的。

您的“处理一个 ID 时足够快”的查询是:

SELECT a.id,
       c.name,
       c.last,
       a.country,
       a.timestamp,
       b.timestamp AS o_timestamp
FROM   country a
       INNER JOIN user_info c
         ON ( a.id = c.id )
       LEFT JOIN country AS b
         ON ( a.id = b.id
              AND a.timestamp != b.timestamp
              AND a.country != b.country )
WHERE  b.timestamp = (SELECT c.timestamp
                      FROM   country c
                      WHERE  a.id = c.id
                             AND a.timestamp > c.timestamp
                      ORDER  BY c.timestamp DESC
                      LIMIT  1) 
       AND a.id = 965

我不完全理解这个查询以及它试图做什么。您需要注意,外连接比内连接更昂贵,外连接表上的条件如

b.timestamp = (...correlated sub-query...)

非常昂贵。一个问题是在b 包括timestamp 的列中可能有一个NULL,但是子查询被浪费了,因为除非值是非空的,否则条件不会得到满足,所以我们最终想知道'为什么是 OUTER join'?

当您添加修改后的条件时,您应该收到“不明确的列名”错误,因为该时间戳可能来自 ac。此外,b.country = "whatever" 条件是另一个仅在 b 值不为空时才有意义的条件,因此,OUTER 连接是可疑的。

据我了解,country 表包含有关谁进入哪个国家以及何时进入的记录。另外,FWIW,我可以肯定的是,与user_info 表的连接是一个可以忽略不计的性能问题;问题完全在于对country 表的三个引用。


从一些澄清来看,您可以逐步构建查询,可能是这样的。

    查找同一 id 的每对国家/地区记录,其中记录按时间顺序相邻,其中较旧的一对针对给定的国家/地区(“牙买加申请人”),新的一对针对不同的国家/地区。

    简单的部分是:

    SELECT a.id, a.country, a.timestamp, b.country, b.timestamp
      FROM country AS a
      JOIN country AS b
        ON a.id = b.id
       AND b.timestamp > a.timestamp
       AND a.country = 'Jamaica Applicant'
       AND b.country != a.country
    

    这完成了大部分工作,但不能确保条目的相邻性。为此,我们必须坚持在country 表中没有记录id 在两个时间戳之间(但不包括)a.timestampb.timestamp。这是一个额外的 NOT EXISTS 条件:

    SELECT a.id,
           a.country   AS o_country,
           a.timestamp AS o_timestamp,
           b.country   AS n_country,
           b.timestamp AS n_timestamp
      FROM country AS a
      JOIN country AS b
        ON a.id = b.id
       AND b.timestamp > a.timestamp
       AND a.country = 'Jamaica Applicant'
       AND b.country != a.country
     WHERE NOT EXISTS
           (SELECT *
              FROM country AS c
             WHERE c.timestamp > a.timestamp
               AND c.timestamp < b.timestamp
               AND c.id = a.id
           )
    

    请注意,BETWEEN AND 表示法不适合。它包括范围内的端点,但我们明确需要排除端点。

    鉴于上面的国家条目列表,我们现在只需要选择那些......嗯,标准是什么?我想你可以选择,但结果可以很容易地与user_info 表连接:

    SELECT e.id, u.name, u.last, e.o_country, e.o_timestamp, e.n_country, e_n_timestamp
      FROM (SELECT a.id,
                   a.country   AS o_country,
                   a.timestamp AS o_timestamp,
                   b.country   AS n_country,
                   b.timestamp AS n_timestamp
              FROM country AS a
              JOIN country AS b
                ON a.id = b.id
               AND b.timestamp > a.timestamp
               AND a.country = 'Jamaica Applicant'
               AND b.country != a.country
             WHERE NOT EXISTS
                   (SELECT *
                      FROM country AS c
                     WHERE c.timestamp > a.timestamp
                       AND c.timestamp < b.timestamp
                       AND c.id = a.id
                   )
           ) AS e
      JOIN user_info AS u ON e.id = u.id
     WHERE e.o_timestamp > DATE_SUB(NOW(), INTERVAL 7 DAY);
    

我不打算保证性能会更好(甚至不保证它在语法上是正确的;它还没有通过 SQL DBMS)。但我认为获取相邻日期的复杂查询结构比原始代码更简洁,性能可能更好。请特别注意,它不使用任何外连接、(显式)排序或限制子句。这应该会有所帮助。

【讨论】:

这是有道理的,并且当我删除 id 和国家和时间戳时,我发现查询运行的时间并没有真正减少。这是否意味着因为我没有寻找特定的 id 我运气不好? 抱歉耽搁了。经过大量测试,这要好 1000% 倍。在一些我不完全确定的情况下,它仍然挂起。我认为在某些情况下,其中一个子查询可能会返回大量结果,这会减慢速度。谢谢 发现现在速度变慢的原因是,如果微型实例执行任何密集工作,AWS 会将它们限制为 1% cpu。这导致任何查询都经过一定数量的工作而几乎永远无法完成。我在一个小实例上再次尝试了您的查询,它在 40 秒内完成了 450 万行选择一个有 800,000 个条目的国家/地区。 这比您之前的性能要好很多。谢谢你的信息。【参考方案2】:

你应该检查这个参考:http://dev.mysql.com/doc/refman/5.5/en/date-and-time-functions.html#function_now

和http://dev.mysql.com/doc/refman/5.5/en/date-and-time-functions.html#function_date-add

它说的是,NOW() 函数可以返回一个字符串(取决于上下文),而 date_add 可以返回一个字符串(取决于参数)。我的猜测是,您正在获取字符串,然后仅在比较时转换为日期(这发生在每条记录上)。您可以尝试 AND 时间戳 > cast(DATE_SUB(NOW(), INTERVAL 7 DAY) as datetime),这可能会提高性能。

【讨论】:

这似乎没有多大帮助,因为即使我把它拿出来我也能得到类似的性能。【参考方案3】:

我不建议将此作为一个完成的解决方案,但这是我将回到的开始。请让我知道这对您的测试数据集的执行情况 -

SELECT ui.*, c1.*, MAX(c2.timestamp)
FROM country c1
INNER JOIN user_info ui
    ON c1.id = ui.id
INNER JOIN country c2
    ON c1.id = c2.id
    AND c1.timestamp > c2.timestamp
    AND c1.country <> c2.country
WHERE c2.timestamp > DATE_SUB(NOW(), INTERVAL 7 DAY)
AND c2.country = 'somewhere'
GROUP BY c1.id

下一步是添加 LEFT JOIN 以确保中间没有其他记录 -

SELECT ui.*, c1.*, c2.timestamp
FROM country c1
INNER JOIN user_info ui
    ON c1.id = ui.id
INNER JOIN country c2
    ON c1.id = c2.id
    AND c1.timestamp > c2.timestamp
    AND c1.country <> c2.country

LEFT JOIN country c3
    ON c1.id = c3.id
    AND c1.timetsamp > c3.timestamp
    AND c2.timestamp < c2.timetsamp

WHERE c2.timestamp > DATE_SUB(NOW(), INTERVAL 7 DAY)
AND c2.country = 'somewhere'
AND c3.id IS NULL

【讨论】:

我跑了它,至少它很快:) 我看到的问题:每个 id 仅 1 个(有人可以多次离开一个国家),仅显示他们第一次出现在旧国家,只有最后一次出现在旧国家。我会在 OP 中详细说明。 我增强了示例以显示我如何期望相同国家 ID 的倍数以及我期望它们的时间戳。每次他离开该国不止一次时,我可能不需要相同的身份证件出现。假设这会使查询更快,那么最新的就可以了。

以上是关于为啥向这个 MySQL 查询添加特定的 where 子句会成为性能瓶颈?的主要内容,如果未能解决你的问题,请参考以下文章

如何编写一个同时适用于 HSQLDB 和 MySQL 的查询以在 WHERE 子句中为日期添加天数?

MySQL - SELECT WHERE field IN(子查询) - 为啥非常慢?

为啥对三个表的联合 mysql 查询比在不可能的 where 子句上连接更快?

在 from 子句 *and* where 子句中添加连接条件使查询更快。为啥?

为啥这个查询使用 where 而不是索引?

为啥这个 WHERE 子句会使我的查询慢 180 倍?