You cannot select more than 25 topics Topics must start with a letter or number, can include dashes ('-') and can be up to 35 characters long.

15 KiB

34 | 到底可不可以使用join

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. 我们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

今天这篇文章我就先跟你说说join语句到底是怎么执行的然后再来回答这两个问题。

为了便于量化分析我还是创建两个表t1和t2来和你说明。

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;

drop procedure idata;
delimiter ;;
create procedure idata()
begin
  declare i int;
  set i=1;
  while(i<=1000)do
    insert into t2 values(i, i, i);
    set i=i+1;
  end while;
end;;
delimiter ;
call idata();

create table t1 like t2;
insert into t1 (select * from t2 where id<=100)

可以看到这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。

Index Nested-Loop Join

我们来看一下这个语句:

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我们分析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我改用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我们指定的方式去join。在这个语句里t1 是驱动表t2是被驱动表。

现在我们来看一下这条语句的explain结果。

图1 使用索引字段join的 explain结果

可以看到在这条语句里被驱动表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我们称之为“Index Nested-Loop Join”简称NLJ。

它对应的流程图如下所示:

图2 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. 而对于每一行R根据a字段去表t2查找走的是树搜索过程。由于我们构造的数据都是一一对应的因此每次的搜索过程都只扫描一行也是总共扫描100行

  3. 所以整个执行流程总扫描行数是200。

现在我们知道了这个过程,再试着回答一下文章开头的两个问题。

先看第一个问题:能不能使用join?

假设不使用join那我们就只能用单表查询。我们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也是扫描了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。

我们再来看看第二个问题: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 + N*2*log2M。

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。

如果你没觉得这个影响有那么“显然”, 可以这么理解N扩大1000倍的话扫描行数就会扩大1000倍而M扩大1000倍扫描行数扩大不到10倍。

到这里小结一下,通过上面的分析我们得到了两个结论:

  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,你需要注意,这个结论的前提是“可以使用被驱动表的索引”。

接下来,我们再看看被驱动表用不上索引的情况。

Simple Nested-Loop Join

现在我们把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上没有索引因此再用图2的执行流程时每次到t2去匹配的时候就要做一次全表扫描。

你可以先设想一下这个问题继续使用图2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”。

但是这样算来这个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10万行的表当然了这也还是属于小表的范围就要扫描100亿行这个算法看上去太“笨重”了。

当然MySQL也没有使用这个Simple Nested-Loop Join算法而是使用了另一个叫作“Block Nested-Loop Join”的算法简称BNL。

Block Nested-Loop Join

这时候,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中由于我们这个语句中写的是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。

这个过程的流程图如下:

图3 Block Nested-Loop Join 算法的执行流程

对应地这条SQL语句的explain结果如下所示

图4 不使用索引字段join的 explain结果

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。

前面我们说过如果使用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。但是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。

接下来,我们来看一下,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。

然后你可能马上就会问了这个例子里表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。**我把join_buffer_size改成1200再执行

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

执行过程就变成了:

  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。

执行流程图也就变成这样:

图5 Block Nested-Loop Join -- 两段

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。

我们再来看下,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+λ*N*M

  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。

当然你会发现在N+λ*N*M这个式子里λ才是影响扫描行数的关键因素这个值越小越好。

刚刚我们说了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。

这就是为什么你可能会看到一些建议告诉你如果你的join语句很慢就把join_buffer_size改大。

理解了MySQL执行join的两种算法现在我们再来试着回答文章开头的两个问题

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。

所以你在判断要不要使用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”字样。

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。

当然了,这里我需要说明下,什么叫作“小表”

我们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。所以这里“t2的前50行”是那个相对小的表也就是“小表”。

我们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行参加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因此如果把t1放到join_buffer中则join_buffer中只需要放入b的值
  • 表t2需要查所有的字段因此如果把表t2放到join_buffer中的话就需要放入三个字段id、a和b。

这里我们应该选择表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。

小结

今天我和你介绍了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的。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我们也得到了文章开头两个问题的答案

  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。

最后,又到了今天的问题时间。

我们在上文说到使用Block Nested-Loop Join算法可能会因为join_buffer不够大需要对被驱动表做多次全表扫描。

我的问题是如果被驱动表是一个大表并且是一个冷数据表除了查询过程中可能会导致IO压力大以外你觉得对这个MySQL服务还有什么更严重的影响吗这个问题需要结合上一篇文章的知识点

你可以把你的结论和分析写在留言区,我会在下一篇文章的末尾和你讨论这个问题。感谢你的收听,也欢迎你把这篇文章分享给更多的朋友一起阅读。

上期问题时间

我在上一篇文章最后留下的问题是,如果客户端由于压力过大,迟迟不能接收数据,会对服务端造成什么严重的影响。

这个问题的核心是,造成了“长事务”。

至于长事务的影响就要结合我们前面文章中提到的锁、MVCC的知识点了。

  • 如果前面的语句有更新,意味着它们在占用着行锁,会导致别的语句更新被锁住;
  • 当然读的事务也有问题就是会导致undo log不能被回收导致回滚段空间膨胀。

评论区留言点赞板:

@老杨同志 提到了更新之间会互相等锁的问题。同一个事务,更新之后要尽快提交,不要做没必要的查询,尤其是不要执行需要返回大量数据的查询;
@长杰 同学提到了undo表空间变大db服务堵塞服务端磁盘空间不足的例子。