MySQL分页优化中先按照Id分页后再join原始表到底在什么情况下会生效？

 

本文出处：http://www.cnblogs.com/wy123/p/7003157.html 

 

最近无意间看到一个MySQL分页优化的测试案例，并没有非常具体地说明测试场景的情况下，给出了一种经典的方案，
因为现实中很多情况都不是固定不变的，能总结出来通用性的做法或者说是规律，是要考虑非常多的场景的，
同时，面对能够达到优化的方式要追究其原因，同样的做法，换了个场景，达不到优化效果的，还要追究其原因。
个人对此场景在不用情况表示怀疑，然后自己测试了一把，果然发现一些问题，同时也证实了一些预期的想法。
本文就MySQL分页优化，从最最简单的情况出发，来做一个简单的分析。

另：本文测试环境是最最低配置的云服务器，相对来说服务器硬件环境有限，不过对于不同的语句（写法）应该是“平等的”

20170916补充:
　　很容易想明白，
　　1，如果分页排序字段是聚集索引，完全没必要对索引分页再查询数据，因为索引就是数据本身。
　　2，如果是非聚集索引，先对索引分页，然后再利用索引去查询数据，先分页索引确实可以减少扫描的范围
　　3，如果经常按照2中的方式查询，也就是按照非聚集索引排序查询，那么为什么不在该列上建立聚集索引呢。

 

 

MySQL经典的分页“优化”做法

MySQL分页优化中，有一种经典的问题，在查询越“靠后”的数据越慢（取决于表上的索引类型，对于B树结构的索引，SQL Server中也一样）
select * from t order by id limit m,n。
也即随着M的增大，查询同样多的数据，会越来越慢
面对这一问题，于是就产生了一种经典的做法，类似于（或者变种）如下的写法
就是先把分页范围内的id单独找出来，然后再跟基表做关联，最后查询出来所需要的数据
select * from t
inner join (select id from t order by id limit m,n)t1 on t1.id = t.id

这种做法是不是总是生效的，或者说是在什么情况下后者才能到达到优化的目的？有没有做了改写之后无效甚至变慢的情况？

 

 

与此同时，绝大多数查询都是有筛选条件的，
如果有筛选条件的情况，
sql语句就变成了select * from t where *** order by id limit m,n
如果如法炮制，改写成类似
select * from t
inner join (select id from t where *** order by id limit m,n )t1 on t1.id = t.id
在这种情况下，改写后的sql语句还能达到优化的目的吗？

 

 

测试环境搭建

　　测试数据比较简单，通过存储过程循环写入测试数据，测试表的InnoDB引擎表。

　　

　　这里要注意的是日志写入模式一定要修改成innodb_flush_log_at_trx_commit = 2，否则默认情况下，500w数据，估计一天都写不完，这个与日志写入模式有关，就不多说了，

 

 

分页查询优化的缘由

　　首先还是先看一下这个经典的问题，分页的时候，越“靠后”查询相应越慢的情况

　　测试一：查询第1-20行的数据，0.01秒

　　

　　同样是查询20行数据，查询相对“靠后”的数据，比如这里的从4900001-4900020行数据的情况，用时1.97秒。

　　

　　从中可以看到，查询条件不变的情况下，越往后查询，查询效率越低，可以简单理解成：同样搜索20行数据，越是靠后的数据，查询代价越大。
　　至于为什么后一种效率较低，后面会慢慢分析。

　　测试环境是centos 7 ，mysql 5.7，测试表的数据是500W

　　

 

 

重现经典分页“优化”，当没有筛选条件，排序列为聚集索引的时候，并不会有所改善

这里来对比以下两种写法在聚集索引列作为排序条件时候的性能
select * from t order by id limit m,n。
select * from t
inner join (select id from t order by id limit m,n)t1 on t1.id = t.id

 

　　第一种写法：

　　select * from test_table1 order by id asc limit 4900000,20;测试结果见截图，执行时间为8.31秒

第二种改写后的写法：

select t1.* from test_table1 t1
inner join (select id from test_table1 order by id limit 4900000,20)t2 on t1.id = t2.id;执行时间为8.43秒

这里很清楚，通过经典的改写方法改写之后，性能能毫无提升,甚至还有一点点变慢了，
实际测试上表现为两者在性能上并没有明显的线性差异，这两者楼主是做了多次测试的。

我个人看到类似结论非要测一下不可的，这个东西不能靠蒙，或者靠运气什么的，能提高效率是为什么，不能提高又是为什么。

那么为什么改写之后的写法没有像传说中的那种提升性能？
是什么导致当前这个改写没有到达提升性能的目的？
后者能够提升性能的原理是什么？

　　首先看一下测试表的表结构，排序列上是有索引，这一点是没有问题的，关键是这个排序列上的索引是主键（聚集索引）。

　　

　　为什么排序列上是聚集索引的时候，相对“优化”改写之后的sql并不能达到“优化”的目的?

在排序列为聚集索引列的情况下，两者都是顺序扫描表来实现查询符合条件的数据的
后者虽然是先驱动一个子查询，然后再用子查询的结果驱动主表，
但是子查询并没有改变“顺序扫描表来实现查询符合条件的数据的”做法，当前情况下，甚至改写后的做法显得画蛇添足

参考如下两者执行计划，第一个截图的执行计划的一行，与改写后的sql的执行计划的第三行（id =2 的那一行），基本上一样。

　　

　　

 

当没有筛选条件，排序列为聚集索引时候的分页查询，所谓的分页查询优化只不过是画蛇添足

　　目前来看，查询上述数据，两种方式都非常慢，那如果要查询上述的数据，该如何做？
　　还是要看为什么慢，首先要理解B数的平衡性结构，在我自己粗略的理解来看，如下图，
　　当查询的数据“靠后”的时候，实际上是偏离在B树索引的一个方向，如下两个截图所示的目标数据
　　其实平衡树上的数据，没有所谓的“靠前”与“靠后”，“靠前”与“靠后”都是相对于对方来说的，或者说是从扫描的方向上来看的
　　从一个方向上看“靠后的”数据，从一个方向看就是“靠前的”，前后不是绝对的。

 

　　如下两个截图是B树索引结构的粗略表现形式，假如目标数据的位置固定的情况下，所谓的“靠后”是相对与从左向右来说的；

如果从右向左看，之前所谓靠后的数据实际上是“靠前”的。

　　只要数据是靠前的，要高效低找到这部分数据，还是可以的。mysql中应该也有类似于sqlserver中的正向（forwarded）和反向扫描（backward）的做法。

　　如果对于靠后的数据，采用反向扫描，应该就可以很快找到这个部分数据，然后对找到的数据在再次排序（asc），结果应该是一样的，
　　首先来看效果：结果跟上面的查询一模一样，这里仅耗时0.07秒，之前的两种写法均超过了8秒，效率有上百倍的差距。

　　

　　至于这个是为什么，我想根据上面的阐述，自己应该能够体会的到，这里附上这个sql。
　　如果经常查询所谓的靠后的数据，比如说Id较大的数据，或者说是时间维度上较新的数据，可以采用倒叙扫描索引的方式来实现高效分页查询

　　（这里请计算好数据所在的分页，同样的数据，正序和倒序其起始“页码”是不同的）

select* from
(
    select * from test_table1 order by id desc limit 99980,20
    
) t order by id;

 

 

 当没有筛选条件，排序列为非聚集索引的时候，会有所改善

　　这里对测试表test_table1做出如下改变
　　1，增加一个id_2列，
　　2，该字段上创建一个唯一索引，
　　3，该字段用对应的主键Id填充

　　

　　上面的测试是按照主键索引（聚集索引）来排序的，现在来按照非聚集索引排序，也即新增的这个列id_2来排序，测试一开始提到的两种分页方法。

　　首先来看第一种写法

　　select * from test_table1 order by id_2 asc limit 4900000,20;执行时间为1分钟多一点，暂且认其为60秒

　　

　　第二种写法

select t1.* from test_table1 t1
inner join (select id from test_table1 order by id_2 limit 4900000,20)t2 on t1.id = t2.id;执行时间1.67秒

　　

　　从这种情况来看，也就是说排序列为非聚集索引列的时候，后一种写法确实能大幅度地提升效率。差不多有40倍的提升。
　　那么原因在何呢？
　　首先来看第一种写法的执行计划，可以简单理解为这个sql的执行时做全表扫描之后，然后重新按照id_2排序，最后取最前20条数据。
　　首先全表扫描就是一个非常耗时的过程，排序也是一个非常大的代价，因此表现为性能非常的低下。

 　　

　　再来看后者的执行计划，他是首先子子查询中，按照id_2上的索引顺序扫描，然后用符合条件的主键Id去表中查询数据
　　这样的话，避免了查询出来大量的数据然后重新排序（Using filesort）
　　如果了解sqlserver执行计划的情况下，后者与前者相比，应该还有避免了频繁的回表（sqlserver中叫做key lookup或者书签查找的过程
　　可以认为是子查询驱动外层表查询符合条件的20条的数据的过程是一个批量的，一次性的。

　　

　　其实，只有在当前情况下，也就是说排序列为非聚集索引列的时候，改写后的sql才能提升分页查询的效率。
　　即便如此，此方式“优化”过的分页语句，还是与如下写法的分页效率有比较大的差别的
　　上面也看到了，返回同样的数据，如下的查询是0.07秒，比这里的1.67秒还是高2个数量级的

select* from
(
    select * from test_table1 order by id desc limit 99980,20
    
) t order by id;

　　另外一个，想提到的问题就是，如果经常性分页查询，还要按照某种顺序，那么为什么不在这个列上建立一个聚集索引。
　　比如语句自增Id的，或者时间+其他字段确保唯一性的，mysql会在主键上自动创建聚集索引。
　　然后有了聚集索引，“靠前”与“靠后”仅仅是一个相对的逻辑上的概念了,如果多数时候是想得到“靠后”或者较新的数据，就可以采用上述写法，

 

当存在筛选条件的情况下，分页查询的优化

　　这一部分想了想，情况太复杂了，很难概括出来一种非常具有代表性的案例，因此就不过多地做测试了。
　　select * from t where *** order by id limit m,n
　　1，比如刷选条件本身就很高效，一过滤出来仅剩下很少一部分数据，那么改不改写sql意义也不大，因为筛选条件本身就可以做到很高效的筛选
　　2，比如刷选条件本身作用不大（过滤后数据量依然巨大），这种情况其实又回到了不存在筛选条件的情况，还有取决于如何排序，正序还是倒序等等
　　3，比如筛选条件本身作用不大（过滤后数据量依然巨大），要考虑的一个很实际的问题是数据分布，
　　　　数据的分布也会影响的sql的执行效率（sqlserver中的经历，mysql应该差别不大）
　　4，本身查询比较复杂的情况下，很难说用某种方式就可以达到高效的目的

　　情况越复杂，越是难以总结出来一种通用性的规律或者说是方法，一切都要以具体情况来看待，很难下一个定论。
　　这里对于查询加上筛选条件的情况，就不做一一分析了，不过可以肯定的是，脱离了实际场景，肯定没有一个固化的方案。

 

　　另外，对于查询当前页数据时候，利用上一页查询的最大值做筛选条件，也可以很快滴找到当前页的数据，这样当然没有问题，但这属于另外一个做法，不在本文讨论之列。

 

 

　　补充一个在SQL Server下的测试结果，如果是非聚集索引，如果查询排序的列是一个单列索引，分页方式并不能提升效率。

create table TestPaging
(
    id int identity(1,1),
    name varchar(50),
    other varchar(100)
)
declare @i int = 0
while @i<100000
begin
    insert into TestPaging values (NEWID(),NEWID())
    set @i = @i + 1
end

create index idx on TestPaging(name)

从执行计划可以看出，查询Id的子查询是一个全表扫描

 　　除非是一个符合索引，在表中数据比较大的情况下，才能提高效率（子查询进行索引扫描的代价要小于全表扫描的代价），不过话说回来，如果经常按照某个列排序分页，为什么该列上不建立成聚集索引呢？

　　

 

总结

分页查询，越靠后越慢的情况，实则对于B树索引来说，靠前与靠后是一个逻辑上相对的概念，性能上的差异，是基于B树索引结构以及扫描方式有关的.
如果加上筛选条件，情况将变得更加复杂，这个问题在SQL Server中的原理也是一样的，本来也在SQL Server中做了测试的，这里就不重复了。
当前这种情况，排序列不一定，查询条件不一定，数据分布不一定，就很难用一种特定的方法来实现“优化”，弄不好还起到画蛇添足的副作用。
因此在做分页优化的时候，一定要根据具体的场景来做分析，方法也不一定只有一种，脱离实际场景的结论，都是扯犊子。
唯有弄清楚这个问题的来龙去脉，才能游刃有余。
因此个人对于数据“优化”的结论，一定是具体问题具体分析，是很忌讳总结出来一套规则（规则1,2,3,4,5）给人“套用”，鉴于本人也很菜，就更不敢总结出来一些教条了。