从MySQL JOIN 算法角度看如何优化SQL

作者：京东物流 京东物流

一、前言

在做MySQL的SQL优化时，如果只涉及到单表查询，那么大部分慢SQL都只需从索引上入手优化即可，通过添加合适的索引来消除全表扫描或者排序操作，执行效果，大概率能实现质的飞跃。



然而，在实际生产中，除了单表查询，更多的是多个表的联合查询，这样的查询通常是慢SQL的重灾区，查询速度慢，且使用服务器资源较多，如果能将这类SQL优化掉，那必将大大减轻数据库服务器压力。现在，咱就通过多表关联内部数据操作的角度，看看如何进行SQL优化。



二、准备工作

现在线上环境大部分使用的都是MySQL 5.7.x版本，那咱就以5.7版本为主，适当延伸MySQL 8.0版本为辅进行讲解测试。



创建测试表：

# 创建两个表结构一模一样的表：t1、t2
create table t1(
  id int not null auto_increment,
  a int,
  b int,
  c int,
  primary key(id),
  key idx_a(a)
);

create table t2 like t1;



构造测试数据：

# 创建2个存储过程用于构造测试数据

# 构造t1表数据的存储过程，数据为3的整除数，1000条
delimiter //
create procedure t1_proc()
begin
    declare i int default 1;
    while (i<=3000) do
        if (i%3) = 0 then
            insert into t1(a,b,c) values(i, i, i);
        end if;
        set i=i+1;
    end while;
end //
delimiter ;


# 构造t2表数据的存储过程，数据为2的整除数，100000条
delimiter //
create procedure t2_proc()
begin
    declare i int default 1;
    while (i<=200000) do
        if (i%2) = 0 then
            insert into t2(a,b,c) values(i, i, i);
        end if;
        set i=i+1;
    end while;
end //
delimiter ;

# 调用存储过程，生成测试数据
call t1_proc();
call t2_proc();

# 删除存储过程
drop procedure t1_proc;
drop procedure t2_proc;



数据样例：

[5.7.37-log localhost:mysql.sock]>select * from t1 limit 5;
+----+------+------+------+
| id | a    | b    | c    |
+----+------+------+------+
|  1 |    3 |    3 |    3 |
|  2 |    6 |    6 |    6 |
|  3 |    9 |    9 |    9 |
|  4 |   12 |   12 |   12 |
|  5 |   15 |   15 |   15 |
+----+------+------+------+
5 rows in set (0.00 sec)

[5.7.37-log localhost:mysql.sock]>select * from t2 limit 5;
+----+------+------+------+
| id | a    | b    | c    |
+----+------+------+------+
|  1 |    2 |    2 |    2 |
|  2 |    4 |    4 |    4 |
|  3 |    6 |    6 |    6 |
|  4 |    8 |    8 |    8 |
|  5 |   10 |   10 |   10 |
+----+------+------+------+
5 rows in set (0.00 sec)



三、MySQL JOIN算法



MySQL对两表关联，支持多种Join算法，咱就以下面这个SQL为例，深入探讨一下。



测试SQL：

select * from t1 join t2 on t1.b=t2.b;





1、Simple Nested-Loop Join

设想一下，如果两表关联，在没有任何干预的情况下，他像不像下面这个伪代码的嵌套循环：



for row_1 in t1: # 循环1000次
    for row_2 in t2: # 对应每个外层循环10w次
        if row_1.b == row_2.b:
            do something



从上面的伪代码中，我们可以看到，其就是简单粗暴的嵌套循环，我们将其称为 Simple Nested-Loop Join。回到数据库层面，在测试SQL两个表关联的过程中，t1表中的每一行数据，都会触发扫描一次t2表的数据，然后进行数据匹配。总的来讲就是，因为t1表有1000行数据，所以t2表会被扫描1000次，并进行1000 * 10w = 1亿次数据比较。





很显然，如果使用这种方式，当 t2 表足够大时，反复扫描数据的过程中，磁盘必然会被拉爆，服务器性能会急剧下降。像MySQL这样优秀的产品，必然会想方设法的避免这种情况的发生。





2、Block Nested-Loop Join

紧接上面所说，既然 Simple Nested-Loop Join最大的弊端是被驱动表被反复扫描，那是不是可以从这方面入手，减少被驱动表的扫描次数，以达到优化目的。咱继续往下看，看他是怎么实现的。



一般情况下，两表关联，MySQL都会将结果集小（指根据条件过滤后）的表做驱动表，结果集大的表当被驱动表，那是不是可以尝试一下，把驱动表的结果集放到内存中（Join Buffer），然后一次性扫描被驱动表的所有数据，反过来与Join Buffer中的驱动表结果集进行比较。这方式，驱动表和被驱动表都只扫描一次，但在内存中进行数据比较的次数依然为 10w * 1000 = 1亿次。很显然，这方式，相对于Simple Nested-Loop Join而言，优势非常明显，MySQL管这个叫Block Nested-Loop Join。





聪明的你，是不是在想：如果驱动表t1的结果集，无法一次性全部存放到Join Buffer内存中时，怎么办？



Join Buffer 的大小由参数 join\_buffer\_size 控制，默认为256K。在使用Join Buffer时，如果无法一次性存放所有结果集，他会分多次进行，比如：

1）读取驱动表t1的数据，存放到Join Buffer中，假设，存放400条后，Join Buffer满了，停止读取

2）读取被驱动表t2的数据，每一行数据都与Join Buffer中的数据进行比较，并返回符合条件的结果集

3）清空Join Buffer

4）继续读取驱动表t1的数据，将401-800的数据存放到Join Buffer，直到存满

5）...... 继续重复相似的动作，直到所有数据都比对完



在上述假设情况下，因Join Buffer大小限制的原因，被驱动表 t2 被扫描了3次。总的来讲，虽然不算完美，但显然比使用Simple Nested-Loop Join的方式容易接受多了。也就是说，MySQL在经过对表链接进行优化后，就不会再出现使用Simple Nested-Loop Join的情况了。



执行计划：

[5.7.37-log localhost:mysql.sock]>explain select * from t1 join t2 on t1.b=t2.b\G
*************************** 1. row ***************************
           id: 1
  select_type: SIMPLE
        table: t1
   partitions: NULL
         type: ALL
possible_keys: NULL
          key: NULL
      key_len: NULL
          ref: NULL
         rows: 1000
     filtered: 100.00
        Extra: NULL
*************************** 2. row ***************************
           id: 1
  select_type: SIMPLE
        table: t2
   partitions: NULL
         type: ALL
possible_keys: NULL
          key: NULL
      key_len: NULL
          ref: NULL
         rows: 100256
     filtered: 10.00
        Extra: Using where; Using join buffer (Block Nested Loop)
2 rows in set, 1 warning (0.00 sec)



3、Hash Join

虽然经过MySQL优化后的 Block Nested-Loop Join 算是改进了不少，但是，对各位程序员大拿而言，必然是一眼就看出了还有改进的余地。



Block Nested-Loop Join 在将驱动表结果集存放到Join Buffer后，被驱动表的数据与其比对时，被驱动表的每一行数据，都要与Join Buffer中所有数据进行比对，才能得出匹配的结果。这像不像对MySQL实体表进行条件查询时，进行了全表扫描的操作一样。这情况，如果给条件列加个索引，查询速度是不是要瞬间起飞。



想法很好，但很不幸，MySQL 5.7.x 版本不支持；但也很庆幸，MySQL 8.0版本实现了，他会根据驱动表结果集，将关联列映射为哈希值后键创建哈希表，被驱动表的数据在与哈希表进行比较时，就大大降低了比较次数，这也达到了优化的目的，我们管其叫Hash Join。



咱看看其执行计划：

[8.0.27 127.0.0.1:3380]>explain select * from t1 join t2 on t1.b=t2.b\G
*************************** 1. row ***************************
           id: 1
  select_type: SIMPLE
        table: t1
   partitions: NULL
         type: ALL
possible_keys: NULL
          key: NULL
      key_len: NULL
          ref: NULL
         rows: 1000
     filtered: 100.00
        Extra: NULL
*************************** 2. row ***************************
           id: 1
  select_type: SIMPLE
        table: t2
   partitions: NULL
         type: ALL
possible_keys: NULL
          key: NULL
      key_len: NULL
          ref: NULL
         rows: 100400
     filtered: 10.00
        Extra: Using where; Using join buffer (hash join)
2 rows in set, 1 warning (0.00 sec)



咱再来对比一下Block Nested-Loop Join和Hash Join的执行速度：

[5.7.37-log localhost:mysql.sock]>select * from t1 join t2 on t1.b=t2.b;
......
+------+------+------+------+------+------+
500 rows in set (4.90 sec)



[8.0.27 127.0.0.1:3380]>select * from t1 join t2 on t1.b=t2.b;
......
+------+------+------+------+------+------+
500 rows in set (0.02 sec)



从执行逻辑和执行结果上，都印证了Hash Join必然会比Block Nested-Loop Join要好。所以，在MySQL 8.0版本，Block Nested-Loop Join将不复存在，所有原先使用其算法的表关联SQL，最终都会被优化成选择Hash Join进行表关联。



4、Index Nested-Loop Join

前面提到的 Block Nested-Loop Join 和 Hash Join，都是MySQL自己内部实现的优化，如果没有其他更好的算法，那么基于这两种算法基础上的表关联慢SQL，人为干预改进的可能性，是不是就微无其微了。



我们仔细分析一下前面这两种算法的特点，Block Nested-Loop Join 的改进是降低了表扫描次数， Hash Join的改进是降低了数据对比的次数，但他两，依然有一个致命的共同点，如果被驱动表足够大（大表）时，比如有N亿数据量，那么，哪怕扫描一次被驱动表，也会引起数据库性能急剧下降。



知道了问题在哪，自然就有了优化的方向。设想一下，如果被驱动表的关联列，像Hash Join中的哈希表一样，存在索引，会是个什么情况呢？



驱动表中的每一行记录，都可以通过被驱动表的索引列，进行索引查找（与关联列有关，可以是主键，也可以是二级索引），这瞬间就解决了被驱动表被扫描的问题。其本质，和单表查询中，通过建立合适索引的方式进行优化，是不是很相似。哪怕驱动表再大，如果索引列每个键值对应的数据量不大，那么索引查找速度依然可以快到起飞，这算法就叫 Index Nested-Loop Join。



先前咱两个测试表中，a列和b列数据是一样的，a列有索引，b列无索引，所以，咱将测试SQL变通一下

select * from t1 join t2 on t1.b=t2.b;
# 替换为
select * from t1 join t2 on t1.b=t2.a;



执行计划：

[5.7.37-log localhost:mysql.sock]>explain select * from t1 join t2 on t1.b=t2.a\G
*************************** 1. row ***************************
           id: 1
  select_type: SIMPLE
        table: t1
   partitions: NULL
         type: ALL
possible_keys: NULL
          key: NULL
      key_len: NULL
          ref: NULL
         rows: 1000
     filtered: 100.00
        Extra: Using where
*************************** 2. row ***************************
           id: 1
  select_type: SIMPLE
        table: t2
   partitions: NULL
         type: ref
possible_keys: idx_a
          key: idx_a
      key_len: 5
          ref: db1.t1.b
         rows: 1
     filtered: 100.00
        Extra: NULL
2 rows in set, 1 warning (0.00 sec)



执行速度：

[5.7.37-log localhost:mysql.sock]>select * from t1 join t2 on t1.b=t2.a;
......
+------+------+------+------+------+------+
500 rows in set (0.01 sec)



你是不是在疑惑，看这执行速度，和Hash Join差别也不大，那是因为咱的被驱动表t2数据量太少，随着测试数据量的增大，差距会越来越明显。





四、优化思路

前面的测试SQL，相对来讲，简化的有点过于简单了，实际应用中，必然会有一大堆查询条件跟在其后，那这一堆查询条件，在进行SQL优化时，会不会对你造成干扰呢？



1、初始SQL

测试SQL做个变化，让其他稍微贴近实际情况：

select *
from t1 join t2 on t1.b = t2.b
where
    t1.c in (6, 12, 18, 24, 30)
    and t2.c in (6, 12, 18, 24, 30);



执行计划：

[5.7.37-log localhost:mysql.sock]>explain select *
    -> from t1 join t2 on t1.b = t2.b
    -> where
    ->     t1.c in (6, 12, 18, 24, 30)
    ->     and t2.c in (6, 12, 18, 24, 30)\G
*************************** 1. row ***************************
           id: 1
  select_type: SIMPLE
        table: t1
   partitions: NULL
         type: ALL
possible_keys: NULL
          key: NULL
      key_len: NULL
          ref: NULL
         rows: 1000
     filtered: 50.00
        Extra: Using where
*************************** 2. row ***************************
           id: 1
  select_type: SIMPLE
        table: t2
   partitions: NULL
         type: ALL
possible_keys: NULL
          key: NULL
      key_len: NULL
          ref: NULL
         rows: 100345
     filtered: 5.00
        Extra: Using where; Using join buffer (Block Nested Loop)
2 rows in set, 1 warning (0.00 sec)



从上面的执行计划可以看到，t1表较小为驱动表，t2表较大为被驱动表。咱一步一步分析，暂时剔除t2表，先看t1表是否有优化的空间，其现在是全表扫描，并通过t1.c列进行数据过滤。单表查询，如果查询条件列有索引，必然会加快查询速度对吧。





2、SQL优化1

t1表中，a、b、c列数据是一样的，a列有索引，所以咱不额外创建索引了，直接使用a列替代c列，重写测试SQL：

select *
from t1 join t2 on t1.b = t2.b
where
    t1.a in (6, 12, 18, 24, 30)
    and t2.c in (6, 12, 18, 24, 30);



查看新的执行计划：

[5.7.37-log localhost:mysql.sock]>explain select *
    -> from t1 join t2 on t1.b = t2.b
    -> where
    ->     t1.a in (6, 12, 18, 24, 30)
    ->     and t2.c in (6, 12, 18, 24, 30)\G
*************************** 1. row ***************************
           id: 1
  select_type: SIMPLE
        table: t1
   partitions: NULL
         type: range
possible_keys: idx_a
          key: idx_a
      key_len: 5
          ref: NULL
         rows: 5
     filtered: 100.00
        Extra: Using index condition
*************************** 2. row ***************************
           id: 1
  select_type: SIMPLE
        table: t2
   partitions: NULL
         type: ALL
possible_keys: NULL
          key: NULL
      key_len: NULL
          ref: NULL
         rows: 100345
     filtered: 5.00
        Extra: Using where; Using join buffer (Block Nested Loop)
2 rows in set, 1 warning (0.00 sec)



t1表从原先的全表扫描，变成了索引查找，预估读取的数据行，也从原来的1000行变成了5行，优化效果明显。此时，再看看t2表，因为关联列t2.b没有索引，查询列t2.c也没有索引，所以t2表是扫描一次后，通过Block Nested-Loop Join算法与Join Buffer中的数据进行匹配。



在前面讲解Index Nested-Loop Join时，咱知道，如果关联列 t2.b 有索引，就会使用Index Nested-Loop Join算法进行数据匹配，那，如果关联列没索引，但是查询过滤列 t2.c 有索引，会是怎样的？





3、SQL优化2

同样的，咱用 t2.a 列替代 t2.c 列，重写测试SQL：

select *
from t1 join t2 on t1.b = t2.b
where
    t1.a in (6, 12, 18, 24, 30)
    and t2.a in (6, 12, 18, 24, 30);



执行计划：

[5.7.37-log localhost:mysql.sock]>explain select *
    -> from t1 join t2 on t1.b = t2.b
    -> where
    ->     t1.a in (6, 12, 18, 24, 30)
    ->     and t2.a in (6, 12, 18, 24, 30)\G
*************************** 1. row ***************************
           id: 1
  select_type: SIMPLE
        table: t1
   partitions: NULL
         type: range
possible_keys: idx_a
          key: idx_a
      key_len: 5
          ref: NULL
         rows: 5
     filtered: 100.00
        Extra: Using index condition
*************************** 2. row ***************************
           id: 1
  select_type: SIMPLE
        table: t2
   partitions: NULL
         type: range
possible_keys: idx_a
          key: idx_a
      key_len: 5
          ref: NULL
         rows: 5
     filtered: 10.00
        Extra: Using index condition; Using where; Using join buffer (Block Nested Loop)
2 rows in set, 1 warning (0.00 sec)



与前面的执行计划对比发现，其依然是使用Block Nested-Loop Join算法，只不过原先t2表，从全表扫描，变成了通过 t2.a 列索引，一次性查找出全部数据后，再与Join Buffer中t1表的结果集进行匹配，如果 t2.a 列根据查询条件过滤出来的数据，足够少，这也不失为一个较好的优化思路。





4、SQL优化3

当然了，如果关联列有索引，查询列没索引，你已经知道了是使用Index Nested-Loop Join算法，继续重写测试SQL：

select *
from t1 join t2 on t1.b = t2.a
where
    t1.a in (6, 12, 18, 24, 30)
    and t2.c in (6, 12, 18, 24, 30);



执行计划：

[5.7.37-log localhost:mysql.sock]>explain select *
    -> from t1 join t2 on t1.b = t2.a
    -> where
    ->     t1.a in (6, 12, 18, 24, 30)
    ->     and t2.c in (6, 12, 18, 24, 30)\G
*************************** 1. row ***************************
           id: 1
  select_type: SIMPLE
        table: t1
   partitions: NULL
         type: range
possible_keys: idx_a
          key: idx_a
      key_len: 5
          ref: NULL
         rows: 5
     filtered: 100.00
        Extra: Using index condition; Using where
*************************** 2. row ***************************
           id: 1
  select_type: SIMPLE
        table: t2
   partitions: NULL
         type: ref
possible_keys: idx_a
          key: idx_a
      key_len: 5
          ref: db1.t1.b
         rows: 1
     filtered: 50.00
        Extra: Using where
2 rows in set, 1 warning (0.00 sec)



被驱动表关联列有索引，查询列无索引，使用Index Nested-Loop Join算法。





5、疑问

如果t2表中，关联列和查询列，都有索引，他会怎么选？为了更好的比较，咱给 t2.c 列创建一个索引，并对 t2.a 列的数据进行适当的调整。



# 添加c列索引
alter table t2 add index idx_c(c);

# 调整t2表a列数据，a列查询条件中的值，每个值对应的数据量为4000
update t2 set a=a%50;

# 消除表碎片，避免被其干扰
alter table t2 engine=innodb;

# 驱动表传过来的键值，每个键值对应的数据为4000行
[5.7.37-log localhost:mysql.sock]>select a,count(a) cnt
    -> from t2
    -> where a in (6, 12, 18, 24, 30)
    -> group by a;
+------+------+
| a    | cnt  |
+------+------+
|    6 | 4000 |
|   12 | 4000 |
|   18 | 4000 |
|   24 | 4000 |
|   30 | 4000 |
+------+------+
5 rows in set (0.01 sec)


# 总共符合条件的数据，5行
[5.7.37-log localhost:mysql.sock]>select * from t2 where c in (6, 12, 18, 24, 30);
+----+------+------+------+
| id | a    | b    | c    |
+----+------+------+------+
|  3 |    6 |    6 |    6 |
|  6 |   12 |   12 |   12 |
|  9 |   18 |   18 |   18 |
| 12 |   24 |   24 |   24 |
| 15 |   30 |   30 |   30 |
+----+------+------+------+
5 rows in set (0.01 sec)



重写测试SQL：

select *
from t1 join t2 on t1.b = t2.a
where
    t1.a in (6, 12, 18, 24, 30)
    and t2.c in (6, 12, 18, 24, 30);



执行计划：

[5.7.37-log localhost:mysql.sock]>explain select *
    -> from t1 join t2 on t1.b = t2.a
    -> where
    ->     t1.a in (6, 12, 18, 24, 30)
    ->     and t2.c in (6, 12, 18, 24, 30)\G
*************************** 1. row ***************************
           id: 1
  select_type: SIMPLE
        table: t1
   partitions: NULL
         type: range
possible_keys: idx_a
          key: idx_a
      key_len: 5
          ref: NULL
         rows: 5
     filtered: 100.00
        Extra: Using index condition
*************************** 2. row ***************************
           id: 1
  select_type: SIMPLE
        table: t2
   partitions: NULL
         type: range
possible_keys: idx_a,idx_c
          key: idx_c
      key_len: 5
          ref: NULL
         rows: 5
     filtered: 4.55
        Extra: Using index condition; Using where; Using join buffer (Block Nested Loop)
2 rows in set, 1 warning (0.00 sec)



由此可见，Block Nested-Loop Join （Hash Join）与 Index Nested-Loop Join 对比，并没有哪一种算法更优一说，只要其整体成本比另一种低，那他就是最合适的。当然了，前面所有例子，都是只有2个表关联，对于3表及以上的关联SQL而言，如果你把前2个表的关联结果，当成一个新的驱动表看待，那么所有后面的表关联，是不是都只需分析两表关联的情况即可。





五、最后

至此，对于想学习SQL优化的你，功力是不是又有长进了。如果你还有其他疑问，可以写在评论区，咱后面再继续探讨。另，如果上述内容你对你有帮助，不要吝啬你的小手，点赞收藏转发，动起来。