MySQL实战45讲学习笔记：第三十四讲

1、本节概述

在实际生产中，关于 join 语句使用的问题，通常会集中在如下两类：

1. 咱们 DBA 不让使用 join，使用 join 有什么问题呢？
2. 若是有两个大小不一样的表作 join，应该用哪一个表作驱动表呢？

今天这篇文章，我就先跟你说说 join 语句究竟是怎么执行的，而后再来回答这两个问题。为了便于量化分析，我仍是建立两个表 t1 和 t2 来和你说明。

能够看到，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。

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)

2、Index Nested-Loop Join

咱们来看一下这个语句：

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

若是直接使用 join 语句，MySQL 优化器可能会选择表 t1 或 t2 做为驱动表，这样会影响咱们分析 SQL 语句的执行过程。

因此，为了便于分析执行过程当中的性能问题，我改用straight_join 让 MySQL 使用固定的链接方式执行查询，这样优化器只会按照咱们指定的方式去 join。在这个语句里，t1 是驱动表，t2 是被驱动表

一、使用索引字段 join 的 explain 结果

如今，咱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

能够看到，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，所以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 中知足条件的行，跟 R 组成一行，做为结果集的一部分；
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，而后根据从表 t1 中取出的每行数据中的 a 值，去表 t2 中查找知足条件的记录。在形式上，这个过程就跟咱们写程序时的嵌套查询相似，

而且能够用上被驱动表的索引，因此咱们称之为“Index Nested-Loop Join”，简称 NLJ。

二、 Index Nested-Loop Join 算法的执行流程

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 作了全表扫描，这个过程须要扫描 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。因为咱们构造的数据都是一一对应的，所以每次的搜索过程都只扫描一行，也是总共扫描 100 行；
3. 因此，整个执行流程，总扫描行数是 200。

如今咱们知道了这个过程，再试着回答一下文章开头的两个问题。

三、先看第一个问题：能不能使用 join?

假设不使用 join，那咱们就只能用单表查询。咱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 的全部数据，这里有 100 行；
2. 循环遍历这 100 行数据：

能够看到，在这个查询过程，也是扫描了 200 行，可是总共执行了 101 条语句，比直接join 多了 100 次交互。除此以外，客户端还要本身拼接 SQL 语句和结果。

显然，这么作还不如直接 join 好。

四、怎么选择驱动表？

在这个 join 语句执行过程当中，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 log M，因此在被驱动表上查一行的时间复杂度是 2*log M。

假设驱动表的行数是 N，执行过程就要扫描驱动表 N 行，而后对于每一行，到被驱动表上匹配一次。

所以整个执行过程，近似复杂度是 N + N*2*log M。

显然，N 对扫描行数的影响更大，所以应该让小表来作驱动表。

若是你没以为这个影响有那么“显然”， 能够这么理解：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，经过上面的分析咱们获得了两个结论：

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. 若是使用 join 语句的话，须要让小表作驱动表。

可是，你须要注意，这个结论的前提是“可使用被驱动表的索引”。接下来，咱们再看看被驱动表用不上索引的状况。

3、Simple Nested-Loop Join

如今，咱们把 SQL 语句改为这样：

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

因为表 t2 的字段 b 上没有索引，所以再用图 2 的执行流程时，每次到 t2 去匹配的时候，就要作一次全表扫描。

你能够先设想一下这个问题，继续使用图 2 的算法，是否是能够获得正确的结果呢？若是只看结果的话，这个算法是正确的，并且这个算法也有一个名字，叫作“Simple Nested-Loop Join”。

可是，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，若是 t1 和 t2 都是 10 万行的表（固然了，这也仍是属于小表的范围），就要扫描 100 亿行，这个算法看上去太“笨重”了。

固然，MySQL 也没有使用这个 Simple Nested-Loop Join 算法，而是使用了另外一个叫做“Block Nested-Loop Join”的算法，简称 BNL。

4、Block Nested-Loop Join

一、Block Nested-Loop Join 算法的执行流程

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，因为咱们这个语句中写的是 select *，所以是把整个表 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 中的数据作对比，知足 join 条件的，做为结果集的一部分返回。

这个过程的流程图以下：

图 3 Block Nested-Loop Join 算法的执行流程

二、不使用索引字段 join 的 explain 结果

对应地，这条 SQL 语句的 explain 结果以下所示：

图 4 不使用索引字段 join 的 explain 结果

能够看到，在这个过程当中，对表 t1 和 t2 都作了一次全表扫描，所以总的扫描行数是1100。因为 join_buffer 是以无序数组的方式组织的，所以对表 t2 中的每一行，
都要作100 次判断，总共须要在内存中作的判断次数是：100*1000=10 万次。

前面咱们说过，若是使用 Simple Nested-Loop Join 算法进行查询，扫描行数也是 10 万行。所以，从时间复杂度上来讲，这两个算法是同样的。可是，Block Nested-Loop Join

算法的这 10 万次判断是内存操做，速度上会快不少，性能也更好。

接下来，咱们来看一下，在这种状况下，应该选择哪一个表作驱动表。

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. 两个表都作一次全表扫描，因此总的扫描行数是 M+N；
2. 内存中的判断次数是 M*N。

能够看到，调换这两个算式中的 M 和 N 没差异，所以这时候选择大表仍是小表作驱动表，执行耗时是同样的。

而后，你可能立刻就会问了，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。若是放不下表 t1的全部数据话，策略很简单，就是分段放。我把 join_buffer_size 改为 1200，再执行：

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

三、Block Nested-Loop Join -- 两段

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 中的数据作对比，知足 join 条件的，做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”。

能够看到，这时候因为表 t1 被分红了两次放入 join_buffer 中，致使表 t2 会被扫描两次。虽然分红两次放入 join_buffer，可是判断等值条件的次数仍是不变的，依然是(88+12)*1000=10 万次。

咱们再来看下，在这种状况下驱动表的选择问题。

假设，驱动表的数据行数是 N，须要分 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，所以把 K 表示为λ*N，显然λ的取值范围是 (0,1)。

因此，在这个算法的执行过程当中：

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一个表做为驱动表影响的。而考虑到扫描行数，在 M 和N 大小肯定的状况下，N 小一些，整个算式的结果会更小。

因此结论是，应该让小表当驱动表。

固然，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。

刚刚咱们说了 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，一次能够放入
的行越多，分红的段数也就越少，对被驱动表的全表扫描次数就越少。

这就是为何，你可能会看到一些建议告诉你，若是你的 join 语句很慢，就把join_buffer_size 改大。

四、回答文章开头的两个问题。

一、第一个问题：能不能使用 join 语句？

1. 若是可使用 Index Nested-Loop Join 算法，也就是说能够用上被驱动表上的索引，实际上是没问题的；
2. 若是使用 Block Nested-Loop Join 算法，扫描行数就会过多。尤为是在大表上的 join操做，这样可能要扫描被驱动表不少次，会占用大量的系统资源。因此这种 join 尽可能不要用。

因此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。

二、第二个问题是：若是要使用 join，应该选择大表作驱动表仍是选择小表作驱动表？

1. 若是是 Index Nested-Loop Join 算法，应该选择小表作驱动表；
2. 若是是 Block Nested-Loop Join 算法：

在 join_buffer_size 足够大的时候，是同样的；

在 join_buffer_size 不够大的时候（这种状况更常见），应该选择小表作驱动表。

因此，这个问题的结论就是，老是应该使用小表作驱动表

三、什么叫做“小表”。

固然了，这里我须要说明下，什么叫做“小表”。

咱们前面的例子是没有加条件的。若是我在语句的 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，因此 join 字段都使用了没有索引的字段b。

但若是是用第二个语句的话，join_buffer 只须要放入 t2 的前 50 行，显然是更好的。因此这里，“t2 的前 50 行”是那个相对小的表，也就是“小表”。

咱们再来看另一组例子：

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。可是，这两条语句每次查询放入join_buffer 中的数据是不同的：

表 t1 只查字段 b，所以若是把 t1 放到 join_buffer 中，则 join_buffer 中只须要放入 b的值；

表 t2 须要查全部的字段，所以若是把表 t2 放到 join_buffer 中的话，就须要放入三个字段 id、a 和 b。

这里，咱们应该选择表 t1 做为驱动表。也就是说在这个例子里，“只须要一列参与 join的表 t1”是那个相对小的表。

因此，更准确地说，在决定哪一个表作驱动表的时候，应该是两个表按照各自的条件过滤，过滤完成以后，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”，应该做为驱动表。

5、小结

今天，我和你介绍了 MySQL 执行 join 语句的两种可能算法，这两种算法是由可否使用被驱动表的索引决定的。而可否用上被驱动表的索引，对 join 语句的性能影响很大。

经过对 Index Nested-Loop Join 和 Block Nested-Loop Join 两个算法执行过程的分析，咱们也获得了文章开头两个问题的答案：

1. 若是可使用被驱动表的索引，join 语句仍是有其优点的；
2. 不能使用被驱动表的索引，只能使用 Block Nested-Loop Join 算法，这样的语句就尽可能不要使用；
3. 在使用 join 的时候，应该让小表作驱动表。

最后，又到了今天的问题时间。

咱们在上文说到，使用 Block Nested-Loop Join 算法，可能会由于 join_buffer 不够大，须要对被驱动表作屡次全表扫描。

个人问题是，若是被驱动表是一个大表，而且是一个冷数据表，除了查询过程当中可能会致使 IO 压力大之外，你以为对这个 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）

你能够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块儿阅读。

6、上期问题时间

我在上一篇文章最后留下的问题是，若是客户端因为压力过大，迟迟不能接收数据，会对服务端形成什么严重的影响。

这个问题的核心是，形成了“长事务”。

至于长事务的影响，就要结合咱们前面文章中提到的锁、MVCC 的知识点了。

若是前面的语句有更新，意味着它们在占用着行锁，会致使别的语句更新被锁住；固然读的事务也有问题，就是会致使 undo log 不能被回收，致使回滚段空间膨胀。

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，更新以后要尽快提交，不要作不必的查询，尤为是不要执行须要返回大量数据的查询；

@长杰 同窗提到了 undo 表空间变大，db 服务堵塞，服务端磁盘空间不足的例子。