小言_互联网的博客

面试官:说说“order by”,MySQL底层是如何实现的?

2021-04-12 20:59 376人阅读  评论(0)

假如我们接到了如下需求：

有一市民表，要查询城市是“上海”的所有人名字，并按照姓名排序返回前1000个人的姓名、年龄。

  • 简单设计一下表：

    SQL这么一写：

诶，这语句看着简单而朴实，一个需求好像就完美解决了。

可当你找工作，遇到了魔鬼面试官：说说 MySQL 底层怎么执行“order by”的？

全字段排序

为了避免全表扫描，所以在给 city 字段加索引。
在city字段上创建索引之后，我们用explain命令来看看这个语句的执行情况。

  • explain命令查看语句的执行情况
 explain select city, name, age from citizen where city = '上海' order by name limit 1000;
+----+-------------+---------+------------+------+---------------+------+---------+------+------+----------+-----------------------------+
| id | select_type | table   | partitions | type | possible_keys | key  | key_len | ref  | rows | filtered | Extra                       |
+----+-------------+---------+------------+------+---------------+------+---------+------+------+----------+-----------------------------+
|  1 | SIMPLE      | citizen | NULL       | ALL  | city          | NULL | NULL    | NULL |   32 |   100.00 | Using where; Using filesort |
+----+-------------+---------+------------+------+---------------+------+---------+------+------+----------+-----------------------------+
1 row in set, 1 warning (0.00 sec)

Extra字段的 Using filesort 表示需要排序，MySQL会给每个线程分配一块内存用于排序，称为sort_buffer。

面试官：讲讲 city 索引长啥样？

  • city字段的索引示意图

id_x ~ id_(x+n)数据都满足city='上海’。

下面我就讲讲该语句的执行流程

  1. 初始化sort_buffer，确定放入name、city、age三个字段
  2. 从索引city找到第一个满足city='杭州’条件的主键id， 即id_x；
  3. 到主键id索引取出整行，取name、city、age三个字段的值，存入sort_buffer
  4. 从索引city取下一个记录的主键id
  5. 重复3、4，直到city的值不满足查询条件，即主键id_y
  6. 对sort_buffer中的数据按name字段做快排
  7. 取排序后结果的前1000行返回给客户端

该全字段排序，执行流程如下：

“按name排序”操作可能在内存中完成，也可能需要使用外部排序，这取决于排序所需的内存和参数sort_buffer_size。

  • sort_buffer_size
    MySQL为排序开辟的内存（sort_buffer）的大小。如果要排序的数据量小于sort_buffer_size，排序就在内存中完成。若排序数据量太大，内存放不下，则得利用磁盘临时文件辅助排序。

如何确定一个排序语句是否使用临时文件？

/* 打开optimizer_trace，只对本线程有效 */
mysql> SET optimizer_trace='enabled=on';
Query OK, 0 rows affected (0.00 sec)

/* @a保存Innodb_rows_read的初始值 */
mysql> select VARIABLE_VALUE into @a from  performance_schema.session_status where variable_name = 'Innodb_rows_read';
Query OK, 1 row affected (0.00 sec)

/* 执行语句 */
mysql> select city, name,age from citizen where city='上海' order by name limit 1000;
+--------+------+-----+
| city   | name | age |
+--------+------+-----+
| 上海   | java |  22 |
...

/* 查看 OPTIMIZER_TRACE 输出 */
SELECT * FROM `information_schema`.`OPTIMIZER_TRACE`\G

/* @b保存Innodb_rows_read的当前值 */
mysql> select VARIABLE_VALUE into @b from performance_schema.session_status where variable_name = 'Innodb_rows_read';
Query OK, 1 row affected (0.00 sec)

/* 计算Innodb_rows_read差值 */
mysql> select @b-@a;
+-------+
| @b-@a |
+-------+
|    33 |
+-------+
1 row in set (0.00 sec)

该方法是通过查看 OPTIMIZER_TRACE 的结果来确认的，你可以从 number_of_tmp_files 查看是否使用了临时文件。

  • 全排序的OPTIMIZER_TRACE部分结果

  • number_of_tmp_files：排序过程中使用的临时文件数。为啥需要12个文件？内存放不下时，就需要使用外部排序，外部排序一般使用归并排序。
    MySQL将需要排序的数据分成12份，每一份单独排序后存在这些临时文件中。然后把这12个有序文件再合并成一个有序的大文件。

如果 sort_buffer_size 超过了需要排序的数据量的大小，number_of_tmp_files 就是0，表示排序可以直接在内存中完成。

否则就需要放在临时文件中排序。sort_buffer_size越小，需要分成的份数越多，number_of_tmp_files的值就越大。

  • examined_rows
    测试表中有4000条满足city='上海’的记录，所以 examined_rows=4000：表示参与排序的行数是4000。

  • sort_mode
    里面的packed_additional_fields：排序过程对字符串做了“紧凑”处理。即使name字段的定义是varchar(16)，在排序过程中还是要按实际长度分配空间。

查询语句select @b-@a 的返回结果是4000，表示整个执行过程只扫描了4000行。
为了避免对结论造成干扰，我把internal_tmp_disk_storage_engine设置成MyISAM。否则，select @b-@a的结果会显示为4001。
因为查询OPTIMIZER_TRACE表时，需要用到临时表，而internal_tmp_disk_storage_engine的默认值是InnoDB。如果使用的是InnoDB，把数据从临时表取出来的时候，会让Innodb_rows_read的值加1。

rowid排序

上面这个算法，只是对原表的数据读了一遍，剩下的操作都是在sort_buffer和临时文件中执行的。
该算法有个问题：若查询要返回的字段很多，那么sort_buffer要放的字段数太多，这样内存里能够同时放下的行数很少，要分成很多个临时文件，排序性能就会很差。

所以若单行很大，该方法的效率可不够行哦。

那么，若MySQL认为排序的单行长度太大，它会怎么做？

现在修改一个参数，让MySQL采用另外一种算法。

SET max_length_for_sort_data = 16;
  • max_length_for_sort_data
    MySQL控制用于排序的行数据的长度的一个参数：若单行的长度超过该值，MySQL就认为单行太大，要换个算法。

city、name、age 三字段的定义总长度是36，我把max_length_for_sort_data设置为16，看看计算过程有什么改变。

新的算法放入sort_buffer的字段，只有要排序的列（即name字段）和主键id。

但这时，排序的结果就因为少了city和age字段的值，不能直接返回了，整个执行流程如下：

  1. 初始化sort_buffer，确定放入两个字段，即name和id
  2. 从索引city找到第一个满足city='杭州’条件的主键id，也就是图中的ID_X
  3. 到主键id索引取出整行，取name、id这两个字段，存入sort_buffer中
  4. 从索引city取下一个记录的主键id
  5. 重复步骤3、4直到不满足city='杭州’条件为止，也就是图中的ID_Y
  6. 对sort_buffer中的数据按照字段name进行排序
  7. 遍历排序结果，取前1000行，并按照id的值回到原表中取出city、name和age三个字段返回给客户端。

执行流程示意图

对比全字段排序流程图，rowid排序多访问了一次表t的主键索引，即step7。

最后的“结果集”是一个逻辑概念，实际上MySQL服务端从排序后的sort_buffer中依次取出id，然后到原表查到city、name和age这三个字段的结果，不需要在服务端再耗费内存存储结果，是直接返回给客户端的。

这时执行

select @b-@a

结果会是多少呢？看看结果有什么不同。

examined_rows还是4000，即用于排序的数据是4000行。但是select @b-@a这个语句的值变成5000。

因为这时除了排序过程，在排序完成后，还要根据id去原表取值。由于语句是limit 1000，因此会多读1000行。

  • rowid排序的OPTIMIZER_TRACE部分输出

从OPTIMIZER_TRACE的结果中，看到另外两个信息也变了。

  • sort_mode 变成了 <sort_key, rowid>，表示参与排序的只有name和id字段
  • number_of_tmp_files 变成10了，是因为这时候参与排序的行数虽然仍然是4000行，但是每一行都变小了，因此需要排序的总数据量就变小了，需要的临时文件也相应地变少了。

全字段排序 VS rowid排序

  • 若MySQL认为排序内存太小，会影响排序效率，就会采用rowid排序
    这样排序过程中一次可以排序更多行，但需要再回到原表去取数据
  • 若MySQL认为内存够大，会优先选择全字段排序
    把需要的字段都放到sort_buffer中，这样排序后就会直接从内存里面返回查询结果了，不用再回到原表去取数据。

这也体现了MySQL的一个设计思想：若内存够，就多利用内存，尽量减少磁盘访问。

对于InnoDB表，rowid排序会要求回表多造成磁盘读，因此不会被优先选择。

所以MySQL做排序是一个高成本的操作。那么是不是所有order by都需排序呢？
如果不排序就能得到正确的结果，那对系统的消耗会小很多，语句的执行时间也会变得更短。

并非所有order by都需排序操作。MySQL之所以需要生成临时表，并且在临时表上做排序，是因为原来的数据都是无序的。

  • 如果能保证从city索引上取出来的行，天生就是按name递增排序，是不是就可以不用再排序了？
    是的。

所以可以在市民表上创建一个city和name的联合索引，对应的SQL语句是：

alter table t add index citizen(city, name);

作为与city索引的对比，我们来看看这个索引的示意图。

依然可以用树搜索的方式定位到第一个满足city='上海’的记录，并且额外确保了，接下来按顺序取“下一条记录”的遍历过程中，只要city的值是上海，name的值就一定是有序的。
这样整个查询过程的流程就变成：

  1. 从索引(city,name)找到第一个满足city='上海’条件的主键id
  2. 到主键id索引取出整行，取name、city、age三个字段的值，作为结果集的一部分直接返回
  3. 从索引(city,name)取下一个记录主键id
  4. 重复步骤2、3，直到查到第1000条记录，或者是不满足city='上海’条件时循环结束
  • 引入(city,name)联合索引后，查询语句的执行计划

可见，该查询过程无需临时表，也无需排序。

  • 使用 explain 查看(city,name)联合索引，查询语句的执行计划

    可见Extra字段中没有Using filesort了，也就是不需要排序了。而且由于(city,name)这个联合索引本身有序，所以该查询也不用把4000行全都读一遍，只要找到满足条件的前1000条记录即可退出。在这个例子里，只需扫描1000次。

该语句的执行流程有没有可能进一步简化呢？

  • 覆盖索引
    索引上的信息足够满足查询请求，不需要再回到主键索引上去取数据。

按覆盖索引，可以再优化一下这个查询语句的执行流程。
针对这个查询，我们可以创建一个city、name和age的联合索引，对应的SQL语句就是：

alter table t add index city_user_age(city, name, age);

这时，对于city字段的值相同的行来说，还是按照name字段的值递增排序的，此时的查询语句也就不再需要排序了。这样整个查询语句的执行流程就变成了：

  1. 从索引(city,name,age)找到第一个满足city='杭州’条件的记录，取出其中的city、name和age这三个字段的值，作为结果集的一部分直接返回
  2. 从索引(city,name,age)取下一个记录，同样取出这三个字段的值，作为结果集的一部分直接返回
  3. 重复执行步骤2，直到查到第1000条记录，或者是不满足city='杭州’条件时循环结束

引入 (city,name,age) 联合索引后，查询语句的执行流程

  • explain查看(city,name,age)联合索引后，查询语句的执行计划

    Extra字段里面多了“Using index”，表示的就是使用了覆盖索引，性能上会快很多。
    这并不是说要为了每个查询能用上覆盖索引，就要把语句中涉及的字段都建上联合索引，毕竟索引还是有维护代价的。这是一个需要折中考虑的。

参考

  • “order by”是怎么工作的？

转载：https://blog.csdn.net/qq_33589510/article/details/115466521
查看评论
* 以上用户言论只代表其个人观点，不代表本网站的观点或立场