将MySQL去重操作优化到极致之三弹连发(一):巧用索引与变量
2017-01-12 15:12
363 查看
元旦假期收到阿里吴老师来电,被告知已将MySQL查重SQL优化到极致:100万原始数据,其中50万重复,把去重后的50万数据写入目标表只需要9秒钟。这是一个惊人的数字,要知道仅是insert 50万条记录也需要些时间的。于是来了兴趣,自己实验、思考、总结做了一遍。
一、问题提出
源表t_source结构如下:
item_id int,
created_time datetime,
modified_time datetime,
item_name varchar(20),
other varchar(20)
1. 源表中有100万条数据,其中有50万created_time和item_name重复。
2. 要把去重后的50万数据写入到目标表。
3. 重复created_time和item_name的多条数据,可以保留任意一条,不做规则限制。
二、实验环境
Linux虚机:CentOS release 6.4;8G内存;100G机械硬盘;双物理CPU双核,共四个处理器;MySQL 5.6.14。
三、建立测试表和数据
1. 建立源表
create procedure sp_generate_data()
begin
set @i := 1;
while @i<=500000 do
set @created_time := date_add('2017-01-01',interval @i second);
set @modified_time := @created_time;
set @item_name := concat('a',@i);
insert into t_source
values (@i,@created_time,@modified_time,@item_name,'other');
set @i:=@i+1;
end while;
commit;
set @last_insert_id := 500000;
insert into t_source
select item_id + @last_insert_id,
created_time,
date_add(modified_time,interval @last_insert_id second),
item_name,
'other'
from t_source;
commit;
end
//
delimiter ;
call sp_generate_data(); 源表没有主键或唯一性约束,有可能存在两条完全一样的数据,所以再插入一条记录模拟这种情况。insert into t_source
select * from t_source where item_id=1;
commit; 查询总记录数和去重后的记录数图一所示。select count(*),count(distinct created_time,item_name) from t_source;
图一
可以看到,源表中有1000001条记录,去重后的目标表应该有500000条记录。
三、无索引对比测试
1. 使用相关子查询
图二
2. 使用表连接查重
图三(1)内层查询扫描t_source表的100万行,建立临时表,并使用文件排序找出去重后的最小item_id,生成导出表derived2,此导出表有50万行。
(2)MySQL会在临时表derived2上自动创建一个item_id字段的索引auto_key0。
(3)外层查询也要扫描t_source表的100万行数据,在与临时表做链接时,对t_source表每行的item_id,使用auto_key0索引查找临时表中匹配的行,并在此时优化distinct操作,在找到第一个匹配的行后即停止查找同样值的动作。
3. 使用变量
图四
(1)最内层的查询扫描t_source表的100万行,并使用文件排序,生成导出表derived3。
(2)第二层查询要扫描derived3的100万行,生成导出表derived2,完成变量的比较和赋值,并自动创建一个导出列f上的索引auto_key0。
(3)最外层使用auto_key0索引扫描derived2得到去重的结果行。
与方法2比较,变量方法消除了表关联,查询速度提高了2.7倍。
至此,我们还没有在源表上创建任何索引。无论使用哪种写法,要查重都需要对created_time和item_name字段进行排序,因此很自然地想到,如果在这两个字段上建立联合索引,可以用于消除filesort,从而提高查询性能。
四、建立created_time和item_name上的联合索引对比测试
1. 建立created_time和item_name字段的联合索引。
图五
(1)外层查询的t_source表是驱动表,需要扫描100万行。
(2)对于驱动表每行的item_id,通过idx_sort索引查询出一行数据。
3. 使用表连接查重
图六
和没有索引相比,子查询虽然从全表扫描变为了全索引扫描,但还是需要扫描100万行记录。因此查询性能提升36%,并不是很多。
4. 使用变量
5. 使用变量,并且消除嵌套查询
图七
该语句具有以下特点。
(1)消除了嵌套子查询,只需要对t_source表进行一次全索引扫描,查询计划已达最优。
(2)无需distinct二次查重。
(3)变量判断与赋值只出现在where子句中。
(4)利用索引消除了filesort。
该语句就是吴老师的单线程解决方案。仔细分析这条语句,发现它巧妙地利用了SQL语句的逻辑查询处理步骤和索引特性。
一条SQL查询的逻辑步骤为:
步骤1:执行笛卡尔乘积(交叉连接)
步骤2:应用ON筛选器(连接条件)
步骤3:添加外部行(outer join)
步骤4:应用where筛选器
步骤5:分组
步骤6:应用cube或rollup
步骤7:应用having筛选器
步骤8:处理select列表
步骤9:应用distinct子句
步骤10:应用order by子句
步骤11:应用limit子句
每条查询语句的逻辑执行步骤都是这11步的子集。拿这条查询语句来说,其执行顺序为:
强制通过索引idx_sort查找数据行 -> 应用where筛选器 -> 处理select列表 -> 应用order by子句。
为了使变量能够按照created_time和item_name的排序顺序进行赋值和比较,必须按照索引顺序查找数据行。这里的force index (idx_sort)提示就起到了这个作用,必须这样写才能使整条查重语句成立。否则,因为先扫描表才处理排序,因此不能保证变量赋值的顺序,也就不能确保查询结果的正确性。order by子句同样不可忽略,否则即使有force index提示,MySQL也会使用全表扫描而不是全索引扫描,从而使结果错误。
索引同时保证了created_time,item_name的顺序,避免了文件排序。force index (idx_sort)提示和order by子句缺一不可,索引idx_sort在这里可谓恰到好处、一举两得。
查询语句开始前,先给变量初始化为数据中不可能出现的值,然后进入where子句从左向右判断。先比较变量和字段的值,再将本行created_time和item_name的值赋给变量,按created_time,item_name的顺序逐行处理。item_name是字符串类型,(@b:=item_name)不是有效的布尔表达式,因此要写成(@b:=item_name) is not null。
最后补充一句,这里忽略了“insert into t_target select * from t_source group by created_time,item_name;”的写法,因为它受“sql_mode='ONLY_FULL_GROUP_BY'”的限制。
五、总结
看似一个简单的部分查重语句,要想完美优化,也必须清晰理解很多知识点。如:查询语句的逻辑执行顺序、使用索引优化排序、强制按索引顺序扫描表、索引覆盖、半连接查询优化、布尔表达式等。基础要扎实,应用要灵活,方能书写出高效的SQL语句。
一、问题提出
源表t_source结构如下:
item_id int,
created_time datetime,
modified_time datetime,
item_name varchar(20),
other varchar(20)
1. 源表中有100万条数据,其中有50万created_time和item_name重复。
2. 要把去重后的50万数据写入到目标表。
3. 重复created_time和item_name的多条数据,可以保留任意一条,不做规则限制。
二、实验环境
Linux虚机:CentOS release 6.4;8G内存;100G机械硬盘;双物理CPU双核,共四个处理器;MySQL 5.6.14。
三、建立测试表和数据
1. 建立源表
create table t_source ( item_id int, created_time datetime, modified_time datetime, item_name varchar(20), other varchar(20) );2. 建立目标表create table t_target like t_source; 3. 生成100万测试数据,其中有50万created_time和item_name重复delimiter //
create procedure sp_generate_data()
begin
set @i := 1;
while @i<=500000 do
set @created_time := date_add('2017-01-01',interval @i second);
set @modified_time := @created_time;
set @item_name := concat('a',@i);
insert into t_source
values (@i,@created_time,@modified_time,@item_name,'other');
set @i:=@i+1;
end while;
commit;
set @last_insert_id := 500000;
insert into t_source
select item_id + @last_insert_id,
created_time,
date_add(modified_time,interval @last_insert_id second),
item_name,
'other'
from t_source;
commit;
end
//
delimiter ;
call sp_generate_data(); 源表没有主键或唯一性约束,有可能存在两条完全一样的数据,所以再插入一条记录模拟这种情况。insert into t_source
select * from t_source where item_id=1;
commit; 查询总记录数和去重后的记录数图一所示。select count(*),count(distinct created_time,item_name) from t_source;
图一
可以看到,源表中有1000001条记录,去重后的目标表应该有500000条记录。
三、无索引对比测试
1. 使用相关子查询
truncate t_target; insert into t_target select distinct t1.* from t_source t1 where item_id in (select min(item_id) from t_source t2 where t1.created_time=t2.created_time and t1.item_name=t2.item_name); commit;这个语句很长时间都出不来结果,只看一下执行计划吧。如图二所示,要进行100万*100万次表扫描,难怪出不来结果。
图二
2. 使用表连接查重
truncate t_target; insert into t_target select distinct t1.* from t_source t1, (select min(item_id) item_id,created_time,item_name from t_source group by created_time,item_name) t2 where t1.item_id = t2.item_id; commit;这种方法用时35秒,查询计划如图三所示。
图三(1)内层查询扫描t_source表的100万行,建立临时表,并使用文件排序找出去重后的最小item_id,生成导出表derived2,此导出表有50万行。
(2)MySQL会在临时表derived2上自动创建一个item_id字段的索引auto_key0。
(3)外层查询也要扫描t_source表的100万行数据,在与临时表做链接时,对t_source表每行的item_id,使用auto_key0索引查找临时表中匹配的行,并在此时优化distinct操作,在找到第一个匹配的行后即停止查找同样值的动作。
3. 使用变量
set @a:='0000-00-00 00:00:00'; set @b:=' '; set @f:=0; truncate t_target; insert into t_target select item_id,created_time,modified_time,item_name,other from (select t0.*,if(@a=created_time and @b=item_name,@f:=0,@f:=1) f, @a:=created_time,@b:=item_name from (select * from t_source order by created_time,item_name) t0) t1 where f=1; commit;这种方法用时14秒,查询计划如图四所示。
图四
(1)最内层的查询扫描t_source表的100万行,并使用文件排序,生成导出表derived3。
(2)第二层查询要扫描derived3的100万行,生成导出表derived2,完成变量的比较和赋值,并自动创建一个导出列f上的索引auto_key0。
(3)最外层使用auto_key0索引扫描derived2得到去重的结果行。
与方法2比较,变量方法消除了表关联,查询速度提高了2.7倍。
至此,我们还没有在源表上创建任何索引。无论使用哪种写法,要查重都需要对created_time和item_name字段进行排序,因此很自然地想到,如果在这两个字段上建立联合索引,可以用于消除filesort,从而提高查询性能。
四、建立created_time和item_name上的联合索引对比测试
1. 建立created_time和item_name字段的联合索引。
create index idx_sort on t_source(created_time,item_name,item_id); analyze table t_source;2. 使用相关子查询truncate t_target; insert into t_target select distinct t1.* from t_source t1 where item_id in (select min(item_id) from t_source t2 where t1.created_time=t2.created_time and t1.item_name=t2.item_name); commit; 这种方法用时20秒,查询计划如图五所示。
图五
(1)外层查询的t_source表是驱动表,需要扫描100万行。
(2)对于驱动表每行的item_id,通过idx_sort索引查询出一行数据。
3. 使用表连接查重
truncate t_target; insert into t_target select distinct t1.* from t_source t1, (select min(item_id) item_id,created_time,item_name from t_source group by created_time,item_name) t2 where t1.item_id = t2.item_id; commit;这种方法用时25秒,查询计划如图六所示。
图六
和没有索引相比,子查询虽然从全表扫描变为了全索引扫描,但还是需要扫描100万行记录。因此查询性能提升36%,并不是很多。
4. 使用变量
set @a:='0000-00-00 00:00:00'; set @b:=' '; set @f:=0; truncate t_target; insert into t_target select item_id,created_time,modified_time,item_name,other from (select t0.*,if(@a=created_time and @b=item_name,@f:=0,@f:=1) f, @a:=created_time,@b:=item_name from (select * from t_source order by created_time,item_name) t0) t1 where f=1; commit;这种方法用时14秒,查询计划与没有索引时的相同,如图四所示。可见索引对这种写法没有作用。能不能消除嵌套,只用一层查询出结果呢?
5. 使用变量,并且消除嵌套查询
set @a:='0000-00-00 00:00:00'; set @b:=' '; truncate t_target; insert into t_target select * from t_source force index (idx_sort) where (@a!=created_time or @b!=item_name) and (@a:=created_time) is not null and (@b:=item_name) is not null order by created_time,item_name; commit;这种方法用时8秒,查询计划如图七所示。
图七
该语句具有以下特点。
(1)消除了嵌套子查询,只需要对t_source表进行一次全索引扫描,查询计划已达最优。
(2)无需distinct二次查重。
(3)变量判断与赋值只出现在where子句中。
(4)利用索引消除了filesort。
该语句就是吴老师的单线程解决方案。仔细分析这条语句,发现它巧妙地利用了SQL语句的逻辑查询处理步骤和索引特性。
一条SQL查询的逻辑步骤为:
步骤1:执行笛卡尔乘积(交叉连接)
步骤2:应用ON筛选器(连接条件)
步骤3:添加外部行(outer join)
步骤4:应用where筛选器
步骤5:分组
步骤6:应用cube或rollup
步骤7:应用having筛选器
步骤8:处理select列表
步骤9:应用distinct子句
步骤10:应用order by子句
步骤11:应用limit子句
每条查询语句的逻辑执行步骤都是这11步的子集。拿这条查询语句来说,其执行顺序为:
强制通过索引idx_sort查找数据行 -> 应用where筛选器 -> 处理select列表 -> 应用order by子句。
为了使变量能够按照created_time和item_name的排序顺序进行赋值和比较,必须按照索引顺序查找数据行。这里的force index (idx_sort)提示就起到了这个作用,必须这样写才能使整条查重语句成立。否则,因为先扫描表才处理排序,因此不能保证变量赋值的顺序,也就不能确保查询结果的正确性。order by子句同样不可忽略,否则即使有force index提示,MySQL也会使用全表扫描而不是全索引扫描,从而使结果错误。
索引同时保证了created_time,item_name的顺序,避免了文件排序。force index (idx_sort)提示和order by子句缺一不可,索引idx_sort在这里可谓恰到好处、一举两得。
查询语句开始前,先给变量初始化为数据中不可能出现的值,然后进入where子句从左向右判断。先比较变量和字段的值,再将本行created_time和item_name的值赋给变量,按created_time,item_name的顺序逐行处理。item_name是字符串类型,(@b:=item_name)不是有效的布尔表达式,因此要写成(@b:=item_name) is not null。
最后补充一句,这里忽略了“insert into t_target select * from t_source group by created_time,item_name;”的写法,因为它受“sql_mode='ONLY_FULL_GROUP_BY'”的限制。
五、总结
看似一个简单的部分查重语句,要想完美优化,也必须清晰理解很多知识点。如:查询语句的逻辑执行顺序、使用索引优化排序、强制按索引顺序扫描表、索引覆盖、半连接查询优化、布尔表达式等。基础要扎实,应用要灵活,方能书写出高效的SQL语句。
相关文章推荐
- mysql:使用mysqldmp命令备份数据库
- mysql InnoDB表插入操作报duplicate entry for primary 却查询不到重复的主键
- 常用信息函数
- 常用信息函数
- 最近mysql学习中遇到的错误
- mysql导入大量数据
- MySql学习笔记——常用操作
- MySQL配置主从备份
- windows 系统 MySQL_5.6.21安装教程
- 利用mk-table-checksum监测Mysql主从数据一致性操作记录
- mysql插入用户账号问题
- unbuntu安装mysql
- MySQL入门之使用SQL99标准的连接查询
- MySQL入门之常用语句
- mysql新建表修改表sql脚本
- MySQL入门之基础知识
- MySQL入门之ubuntu上安装MySQL
- MySQL 开发要点
- 【mysql】一个因为断电导致无法启动mysql
- Mysql5.7编译安装