Sql优化器究竟帮你做了哪些工作？

上山打老虎

上一篇，我们介绍了《DB——数据的读取和存储方式》，这篇聊聊sql优化器的工作。
关系型数据库的一大优势之一，用户无需关心数据的访问方式，因为这些优化器都帮我们处理好了，但sql查询优化的时候，我不得不要对此进行关注，因为这牵扯到查询性能问题。
有经验的程序员都会对一些sql优化了如指掌，比如我们常说的最左匹配原则，非BT谓词规避等等，那么优化器是如何确定这些的？以及为何一定要最左匹配，最左匹配的原理是什么，你是否有深入了解？
这一篇我们就通过一些实例来剖析优化器做了哪些工作，以方便我们更好的优化SQL查询。
本篇你可以知道:

  

   

• sql的访问路径是什么
     
  
• 优化器如何确定最优访问路径
     
  
• 最左匹配的原则依据是什么
     
  
• 如何有效的评估sql命中行数
    
  

示例table:

CREATE TABLE test (
​
  id int(11) NOT NULL AUTO_INCREMENT,
​
  user_name varchar(100) DEFAULT NULL,
​
  sex int(11) DEFAULT NULL,
​
  age int(11) DEFAULT NULL,
​
  c_date datetime DEFAULT NULL,
​
  PRIMARY KEY (id),
​
  # 索引
​
  KEY id_name_sex (id,user_name,sex),
​
  KEY name_sex_age (user_name,sex,age)
​
) ENGINE=InnoDB AUTO_INCREMENT=12 DEFAULT CHARSET=utf8;
​
​

  一、访问路径
在SQL语句能够被真正执行之前，优化器必须首先确定如何访问数据。这包括：应该使用哪一个索引，索引的访问方式如何，是否需要辅助式随机读，等等。
从一条SQL，到优化器优化，再到引擎进行数据查询，落地到数据的存储页面，这是一个访问路径确定的过程。

二、谓词
谓词就是我们常说的where子句中的一个或多个搜索参数组成。谓词表达式是索引设计的主要入手点，如果一个索引能够满足select查询语句的所有谓词表达式，那么优化器就可能建立一个高效的访问路径。

select * from test where id =1 and user_name like ’test%’

比如，上述查询 中，where后面的搜索参数，id 和user_name 就是谓词。
三、索引片
索引片即代表谓词表达式所确定的值域范围，而访问路径的成本很大程度上取决于索引片的厚度。
索引片越厚，需要扫描的索引页就越多，需要处理的索引记录也越多，而且最大的开销还是来自于需要对标进行同步读操作。相反，索引片比较窄，就会显著减少索引访问的那部分开销，同时会有更少的表同步读取上。
同步读是一个随机IO操作，单次的读取就要耗费10ms左右的时间。这个我们在上篇有说明。
比如：

//会匹配到5个数据
​
sql1:select * from test where sex=1;
​
// 匹配到2个数据
​
sql2：select * from test where sex=1 and age <10;

因此我们需要通过谓词来确定索引片的厚度，过滤的值域范围越少，索引片厚度就越窄。那么谓词一定就能匹配到索引么，或者说匹配的规则是什么？
四、匹配列&过滤列
谓词不一定都能匹配到索引，能够匹配上的，我们称之为匹配列。此时它可以参与索引片的定义。
只有匹配列和过滤列可以参与索引片的定义和过滤，其他不可。
我们来看下谓词匹配的定义：

检查索引列，从头到尾依次检查索引列，查看以下规则:

   

• 在where子句中，该列是否至少拥有一个足够简单的谓词与之对应？如果有，则这个列就是匹配列。如果没有，那么这个列及其后面的索引列都是非匹配列。
     
  
• 谓词是否是一个范围谓词，如果是，那么剩余的索引列都是非匹配列。
     
  
• 对于最后一个匹配列之后的索引列，如果拥有一个足够简单的谓词与其对应，那么该列为过滤列。
    
  

   1、示例

select * from test where user_name=’test1’ and sex>0 and age =10

发现索引id_name_sex

  

   

• 逐行检查其索引列(id,user_name,sex)
     
  
• 首先检查 id,发现where后面的谓词没有与之对应，则 这个索引列以及后面的索引列都是非匹配列
     
  
• 索引id_name_sex匹配结束,无匹配列
    
  

发现索引name_sex_age

  

   

• 逐行检查其索引列(user_name,sex,age)
     
  
• 首先检查 user_name,发现where后面的 谓词 user_name 有与之对应，认定此列为匹配列
     
  
• 检查索引字段sex,发现where后面有谓词sex与之对应，认定此列为匹配列，由于谓词sex是范围谓词，则剩余的索引为非匹配列。
     
  
• 索引列age 是在最后一个匹配列sex 之后，而又有谓词age 与之对应，因此此列 为过滤列,
    
  

通过这个示例，我们最终确定了：

  

   

• 匹配索引: name_sex_age
     
  
• 匹配列: user_name,sex
     
  
• 过滤列: age
    
  

我们查看下 explain ,和我们分析的对应。

2、确定匹配列有什么用
确定匹配列之后我们可以知道当前的查询会用到哪些索引，以及匹配到该索引的哪些列，最终可以提前锁定数据的访问范围，为数据的读取节省读取压力。
相对于没用匹配到索引的查询，有匹配列的查询，条件过滤是前置的，而没有匹配到索引的查询，条件过滤是后置的，即全表扫描之后，再过滤结果，如此磁盘IO压力过大。
另外 “最左匹配”原则也是基于匹配列规则而来，为何是最左匹配，除了B树的原理之外，还有一个重要的原因，在核对匹配列的时候，是从头到尾依次检查索引列。
所以对于是否能够匹配到索引,where后面的谓词顺序不重要，重要的是索引列的顺序。
比如：

select * from test where user_name=’test1’ and sex>0 and age =10
​
select * from test where sex>0 and user_name=’test1’ and age =10
​
select * from test where age =10 and user_name='test1' and sex>0

都可以匹配到name_sex_age 索引

3、复杂谓词
  like 谓词
如果值是%xx ，那么将会选择全索引扫描，不参与索引匹配，如果是xx%，这会参与索引匹配，选择索引片扫描。
OR操作符
即便是简单的谓词，如果它们与其他谓词之间为OR操作，对优化器而言是异常困难的，除非在多索引访问，才有可能参与到一个索引片的定义，尽量不要用。
假设一个谓词的判定结果为false,而此时不检查其他谓词就不能确定的将一行记录排除在外，那么这类谓词对优化器而言就是十分困难的。
BT谓词
比如只有and 操作符，那么所有的简单谓词都可以称谓BT谓词，也就是好的谓词，除非访问路径是一个多索引扫描，否则只有BT谓词可以参加定义索引片。
谓词值不确定
比如谓词的值采用了函数，或者参与了计算，优化器在做静态SQL绑定的时候，每次都需要重新计算选择，无法缓存，耗费大量的CPU，也无法参与索引列的匹配。
五、过滤因子
匹配列确定了使用那些索引列，但索引片的厚度（也就是预计要访问多少行），还没有估算出来。此处需要进行通过过滤因子来确定。
过滤因子描述的谓词的选择性，即表中满足谓词条件的记录行数所占用的比例，依赖于列值分布情况。
1、单个谓词的过滤因子
比如，我们的的test表有10000条记录，谓词user_name 匹配了 一个索引列，其过滤因子是0.2%（1/不同user_name数量=user_name中有500个不同值的比率），则意味着查询结果会包含20行的记录。

select * from test where user_name=’test’

2、组合谓词的过滤因子
当有多个谓词符合匹配列的时候，我们可以通过单个谓词的过滤因子推导出组合过滤因子。一般的公式是:

组合过滤因子=谓词1过滤因子*谓词2过滤因子....

比如如下查询

select * from test where user_name=’test’ and sex=1 and age =10

包含3个谓词，user_name、sex、age、其中user_name有500个不同的值，sex有2个不同的值，age有40个不同的值。
则每个谓词的过滤因子:

FF(user_name) =1/500*100 =0.2%
FF(sex) =1/2*100=50%
FF(age) =1/40*100=2.5%
组合过滤因子=0.2%*50%*2.5%=0.0025%

通过以上组合过滤因子，可以推算出最终的结果集=10000*0.0025%=0.25 ~=1

通过以上过滤因子评估之后，我们可以看到，最终需要查找的结果集只需要获取1行就够了，这对数据库的磁盘访问有很高的性能提升。
这也是优化器在评估可选访问路径成时，必须先进行过滤因子评估的重要性。
六、排序
物化结果集意味着通过执行必要的数据库访问来构建结果集。最好情况下，只需要返回一条记录，而最坏的情况下需要返回多条记录，需要发起大量的磁盘读取。而排序就是其中一种。
在以下情况中，一次fetch调用只需要物化一条记录，否则对结果进行排序的时候就需要物化整个结果集。

  

   

• 没有排序需求，比如order by,group by 等。
     
  
• 虽然需要排序满足以下两个条件：
    
  

  

   

• <!--存在一个索引满足结果集的排序需求，比如上述的(id_name_sex) 或者（name_sex_age）-->
     
  
• <!--优化器决定以传统的方式使用这个索引，即访问第一条满足条件的索引行并读取相应的表行，然后访问第二条满足条件的索引行并读取相应的表行，依次类推。-->
     
  
• <!--比如使用索引(name_sex_age)时候，select * from test where user_name=’test’ order by sex ，此时在索引中，结果集基于sex本身就是有序的-->
    
  

   七、最后
sql优化器做的不仅仅是你这些工作，但索引片的大小的预估，以及访问路径的确定却是它最重要的工作，后续我们再继续介绍。
-----------------------------------------------------------------------------
想看更多有趣原创的技术文章，扫描关注公众号。