MySQL正确显示随机消息（排序）

 

 

一、概念

 

MySQL的另一种排序逻辑；

 

在英语APP首页有一个随机显示单词的功能，也就是根据每一个用户的级别有一个单词表，而后这个用户每次访问首页的时候，都会随机滚动显示三个单词。他们发现随着单词表变大，选单词这个逻辑变得愈来愈慢，甚至影响到了首页的打开速度。

 

设计SQL语句应该如何进行设计呢？

 

mysql> CREATE TABLE `words` (

  `id` int(11) NOT NULL AUTO_INCREMENT,

  `word` varchar(64) DEFAULT NULL,

  PRIMARY KEY (`id`)

) ENGINE=InnoDB;

 

delimiter ;;

create procedure idata()

begin

  declare i int;

  set i=0;

  while i<10000 do

    insert into words(word) values(concat(char(97+(i div 1000)), char(97+(i % 1000 div 100)), char(97+(i % 100 div 10)), char(97+(i % 10))));

    set i=i+1;

  end while;

end;;

delimiter ;

 

call idata()

 

在这个表中插入1w行数据，接下来随机选取三个，该如何设计呢？

 

二、内存临时表

首先会想到使用orderby rand()实现这个逻辑

 

mysql> select word from words order by rand() limit 3;

 

这个语句逻辑写法很简单，可是语句执行状况倒是很复杂的。

 

Extra字段显示Using temporary，表示的是须要使用临时表；Using filesort，表示的是须要执行排序操做。

 

所以这个Extra的意思就是，须要临时表，而且须要在临时表上排序。

 

 

对于InnoDB表来讲，执行全字段排序会减小磁盘访问，所以会被优先选择。

 

我强调了“InnoDB表”，你确定想到了，对于内存表，回表过程只是简单地根据数据行的位置，直接访问内存获得数据，根本不会致使多访问磁盘。优化器没有了这一层顾虑，那么它会优先考虑的，就是用于排序的行越少越好了，因此，MySQL这时就会选择rowid排序。

 

理解了这个算法选择的逻辑，咱们再来看看语句的执行流程。同时，经过今天的这个例子，咱们来尝试分析一下语句的扫描行数。

 

1）建立一个临时表。这个临时表使用的是memory引擎，表里有两个字段，第一个字段是double类型，为了后面描述方便，记为字段R，第二个字段是varchar(64)类型，记为字段W。而且，这个表没有建索引。

 

2）从words表中，按主键顺序取出全部的word值。对于每个word值，调用rand()函数生成一个大于0小于1的随机小数，并把这个随机小数和word分别存入临时表的R和W字段中，到此，扫描行数是10000。

 

3）如今临时表有10000行数据了，接下来你要在这个没有索引的内存临时表上，按照字段R排序。

 

4）初始化 sort_buffer。sort_buffer中有两个字段，一个是double类型，另外一个是整型。

 

5）从内存临时表中一行一行地取出R值和位置信息（我后面会和你解释这里为何是“位置信息”），分别存入sort_buffer中的两个字段里。这个过程要对内存临时表作全表扫描，此时扫描行数增长10000，变成了20000。

 

6）在sort_buffer中根据R的值进行排序。注意，这个过程没有涉及到表操做，因此不会增长扫描行数。

 

7）排序完成后，取出前三个结果的位置信息，依次到内存临时表中取出word值，返回给客户端。这个过程当中，访问了表的三行数据，总扫描行数变成了20003。

 

接下来，咱们经过慢查询日志（slow log）来验证一下咱们分析获得的扫描行数是否正确。

# Query_time: 0.900376  Lock_time: 0.000347 Rows_sent: 3 Rows_examined: 20003

SET timestamp=1541402277;

select word from words order by rand() limit 3;

其中，Rows_examined：20003就表示这个语句执行过程当中扫描了20003行，也就验证了咱们分析得出的结论。

在平时学习概念的同时，先经过原理分析算出扫描行数，而后再经过查看慢查询日志，来验证本身的结论。

 

 

排序执行的流程图：

 

 

 

MySQL的表是用什么方法来定位“一行数据”的。

 

 

order by rand()使用了内存临时表，内存临时表排序的时候使用了rowid排序方法。

三、磁盘临时表

不是全部的临时表都是内存表，tmp_table_size这个配置限制了内存临时表的大小，默认值是16M。若是临时表大小超过了tmp_table_size，那么内存临时表就会转成磁盘临时表。

 

磁盘临时表使用的引擎默认是InnoDB，是由参数internal_tmp_disk_storage_engine控制的。

 

当使用磁盘临时表的时候，对应的就是一个没有显式索引的InnoDB表的排序过程。

为了复现这个过程，把tmp_table_size设置成1024，把sort_buffer_size设置成 32768, 把 max_length_for_sort_data 设置成16。

 

set tmp_table_size=1024;

set sort_buffer_size=32768;

set max_length_for_sort_data=16;

/* 打开 optimizer_trace，只对本线程有效 */

SET optimizer_trace='enabled=on';

 

/* 执行语句 */

select word from words order by rand() limit 3;

 

/* 查看 OPTIMIZER_TRACE 输出 */

SELECT * FROM `information_schema`.`OPTIMIZER_TRACE`\G

由于将max_length_for_sort_data设置成16，小于word字段的长度定义，因此咱们看到sort_mode里面显示的是rowid排序，这个是符合预期的，参与排序的是随机值R字段和rowid字段组成的行。

 

数据总行数是10000，这样算出来就有140000字节，超过了sort_buffer_size 定义的 32768字节了。可是，number_of_tmp_files的值竟然是0，难道不须要用临时文件吗？

 

这个SQL语句的排序确实没有用到临时文件，采用是MySQL 5.6版本引入的一个新的排序算法，即：优先队列排序算法。接下来，咱们就看看为何没有使用临时文件的算法，也就是归并排序算法，而是采用了优先队列排序算法。

 

其实，咱们如今的SQL语句，只须要取R值最小的3个rowid。可是，若是使用归并排序算法的话，虽然最终也能获得前3个值，可是这个算法结束后，已经将10000行数据都排好序了。

 

也就是说，后面的9997行也是有序的了。但，咱们的查询并不须要这些数据是有序的。因此，想一下就明白了，这浪费了很是多的计算量。

 

而优先队列算法，就能够精确地只获得三个最小值，执行流程以下：

 

1）对于这10000个准备排序的(R,rowid)，先取前三行，构形成一个堆；

（对数据结构印象模糊的同窗，能够先设想成这是一个由三个元素组成的数组）

 

2）取下一个行(R’,rowid’)，跟当前堆里面最大的R比较，若是R’小于R，把这个(R,rowid)从堆中去掉，换成(R’,rowid’)；

 

3）重复第2步，直到第10000个(R’,rowid’)完成比较。

 

 

 

图6是模拟6个(R,rowid)行，经过优先队列排序找到最小的三个R值的行的过程。整个排序过程当中，为了最快地拿到当前堆的最大值，老是保持最大值在堆顶，所以这是一个最大堆。

 

图5的OPTIMIZER_TRACE结果中，filesort_priority_queue_optimization这个部分的chosen=true，就表示使用了优先队列排序算法，这个过程不须要临时文件，所以对应的number_of_tmp_files是0。

 

这个流程结束后，咱们构造的堆里面，就是这个10000行里面R值最小的三行。而后，依次把它们的rowid取出来，去临时表里面拿到word字段，这个过程就跟上一篇文章的rowid排序的过程同样了。

 

四、随机排序方法

 

若是只随机选择1个word值，能够怎么作呢？思路上是这样的：

 

取得这个表的主键id的最大值M和最小值N;

 

用随机函数生成一个最大值到最小值之间的数 X = (M-N)*rand() + N;

 

取不小于X的第一个ID的行。

 

咱们把这个算法，暂时称做随机算法1。这里，我直接给你贴一下执行语句的序列:

 

这个方法效率很高，由于取max(id)和min(id)都是不须要扫描索引的，而第三步的select也能够用索引快速定位，能够认为就只扫描了3行。但实际上，这个算法自己并不严格知足题目的随机要求，由于ID中间可能有空洞，所以选择不一样行的几率不同，不是真正的随机。

 

好比你有4个id，分别是一、二、四、5，若是按照上面的方法，那么取到 id=4的这一行的几率是取得其余行几率的两倍。

 

若是这四行的id分别是一、二、40000、40001呢？这个算法基本就能当bug来看待了。

 

因此，为了获得严格随机的结果，你能够用下面这个流程:

 

取得整个表的行数，并记为C。

 

取得 Y = floor(C * rand())。 floor函数在这里的做用，就是取整数部分。

 

再用limit Y,1 取得一行。

 

咱们把这个算法，称为随机算法2。下面这段代码，就是上面流程的执行语句的序列。

 

mysql> select count(*) into @C from t;

set @Y = floor(@C * rand());

set @sql = concat("select * from t limit ", @Y, ",1");

prepare stmt from @sql;

execute stmt;

DEALLOCATE prepare stmt;

因为limit 后面的参数不能直接跟变量，因此我在上面的代码中使用了prepare+execute的方法。你也能够把拼接SQL语句的方法写在应用程序中，会更简单些。

 

这个随机算法2，解决了算法1里面明显的几率不均匀问题。

MySQL处理limit Y,1 的作法就是按顺序一个一个地读出来，丢掉前Y个，而后把下一个记录做为返回结果，所以这一步须要扫描Y+1行。再加上，第一步扫描的C行，总共须要扫描C+Y+1行，执行代价比随机算法1的代价要高。

固然，随机算法2跟直接order by rand()比起来，执行代价仍是小不少的。

你可能问了，若是按照这个表有10000行来计算的话，C=10000，要是随机到比较大的Y值，那扫描行数也跟20000差很少了，接近order by rand()的扫描行数，为何说随机算法2的代价要小不少呢？我就把这个问题留给你去课后思考吧。

如今，咱们再看看，若是咱们按照随机算法2的思路，要随机取3个word值呢？你能够这么作：

1. 取得整个表的行数，记为C；
2. 根据相同的随机方法获得Y一、Y二、Y3；
3. 再执行三个limit Y, 1语句获得三行数据。

 

咱们把这个算法，称做随机算法3。下面这段代码，就是上面流程的执行语句的序列。

mysql> select count(*) into @C from t;

set @Y1 = floor(@C * rand());

set @Y2 = floor(@C * rand());

set @Y3 = floor(@C * rand());

select * from t limit @Y1，1； //在应用代码里面取Y一、Y二、Y3值，拼出SQL后执行

select * from t limit @Y2，1；

select * from t limit @Y3，1；

五、小结

介绍了MySQL对临时表排序的执行过程。

若是你直接使用order by rand()，这个语句须要Using temporary 和 Using filesort，查询的执行代价每每是比较大的。因此，在设计的时候你要量避开这种写法。

今天的例子里面，咱们不是仅仅在数据库内部解决问题，还会让应用代码配合拼接SQL语句。在实际应用的过程当中，比较规范的用法就是：尽可能将业务逻辑写在业务代码中，让数据库只作“读写数据”的事情。所以，这类方法的应用仍是比较普遍的。