不要再问我 in，exists 走不走索引了...

时间  2021-05-15
标签 html mysql web sql 数据库 缓存 服务器 微信 编辑器 函数 栏目 HTML 繁體版
原文   原文链接

前言

最近，有一个业务需求，给我一份数据 A ，把它在数据库 B 中存在，而又比 A 多出的部分算出来。因为数据比较杂乱，我这里简化模型。html

而后就会发现，我去，这不就是 not in ，not exists 嘛。mysql

那么问题来了，in,  not in , exists , not exists 它们有什么区别，效率如何？web

曾经从网上据说，in 和 exists 不会走索引，那么事实真的是这样吗？sql

带着疑问，咱们研究下去。数据库

注意： 在说这个问题时，不说明 MySQL 版本的都是耍流氓，我这里用的是 5.7.18 。缓存

用法讲解

为了方便，咱们建立两张表 t1 和 t2 。并分别加入一些数据。（id为主键，name为普通索引）服务器

-- t1
DROP TABLE IF EXISTS `t1`;
CREATE TABLE `t1` (
  `id` int(11) NOT NULL AUTO_INCREMENT,
  `name` varchar(255) DEFAULT NULL,
  `address` varchar(255) DEFAULT NULL,
  PRIMARY KEY (`id`),
  KEY `idx_t1_name` (`name`(191)) USING BTREE
) ENGINE=InnoDB AUTO_INCREMENT=1009 DEFAULT CHARSET=utf8mb4;

INSERT INTO `t1` VALUES ('1001', '张三', '北京'), ('1002', '李四', '天津'), ('1003', '王五', '北京'), ('1004', '赵六', '河北'), ('1005', '杰克', '河南'), ('1006', '汤姆', '河南'), ('1007', '贝尔', '上海'), ('1008', '孙琪', '北京');

-- t2
DROP TABLE IF EXISTS `t2`;
CREATE TABLE `t2`  (
  `id` int(11) NOT NULL AUTO_INCREMENT,
  `name` varchar(255) CHARACTER SET utf8mb4 COLLATE utf8mb4_general_ci NULL DEFAULT NULL,
  `address` varchar(255) CHARACTER SET utf8mb4 COLLATE utf8mb4_general_ci NULL DEFAULT NULL,
  PRIMARY KEY (`id`) USING BTREE,
  INDEX `idx_t2_name`(`name`(191)) USING BTREE
) ENGINE = InnoDB AUTO_INCREMENT = 1014 CHARACTER SET = utf8mb4 COLLATE = utf8mb4_general_ci ROW_FORMAT = Dynamic;

INSERT INTO `t2` VALUES (1001, '张三', '北京');
INSERT INTO `t2` VALUES (1004, '赵六', '河北');
INSERT INTO `t2` VALUES (1005, '杰克', '河南');
INSERT INTO `t2` VALUES (1007, '贝尔', '上海');
INSERT INTO `t2` VALUES (1008, '孙琪', '北京');
INSERT INTO `t2` VALUES (1009, '曹操', '魏国');
INSERT INTO `t2` VALUES (1010, '刘备', '蜀国');
INSERT INTO `t2` VALUES (1011, '孙权', '吴国');
INSERT INTO `t2` VALUES (1012, '诸葛亮', '蜀国');
INSERT INTO `t2` VALUES (1013, '典韦', '魏国');

那么，对于当前的问题，就很简单了，用 not in 或者 not exists 均可以把 t1 表中比 t2 表多出的那部分数据给挑出来。（固然，t2 比 t1 多出来的那部分不算）微信

这里假设用 name 来匹配数据。编辑器

select * from t1 where name not in (select name from t2);
或者用
select * from t1 where not exists (select name from t2 where t1.name=t2.name);

获得的结果都是同样的。函数

可是，须要注意的是，not in  和 not exists 仍是有不一样点的。

在使用 not in 的时候，须要保证子查询的匹配字段是非空的。如，此表 t2 中的 name 须要有非空限制。如若否则，就会致使 not in 返回的整个结果集为空。

例如，我在 t2 表中加入一条 name 为空的数据。

INSERT INTO `t2` VALUES (1014, NULL, '魏国');

则此时，not in 结果就会返回空。

另外须要明白的是， exists 返回的结果是一个 boolean 值 true 或者 false ，而不是某个结果集。由于它不关心返回的具体数据是什么，只是外层查询须要拿这个布尔值作判断。

区别是，用 exists 时，若子查询查到了数据，则返回真。用 not exists 时，若子查询没有查到数据，则返回真。

因为 exists 子查询不关心具体返回的数据是什么。所以，以上的语句彻底能够修改成以下，

-- 子查询中 name 能够修改成其余任意的字段，如此处改成 1 。
select * from t1 where not exists (select 1 from t2 where t1.name=t2.name);

从执行效率来讲，1 > column > * 。所以推荐用 select 1。（准确的说应该是常量值）

in, exists 执行流程

一、 对于 in 查询来讲，会先执行子查询，如上边的 t2 表，而后把查询获得的结果和外表 t1 作笛卡尔积，再经过条件进行筛选（这里的条件就是指 name 是否相等），把每一个符合条件的数据都加入到结果集中。

sql 以下，

select * from t1 where name in (select name from t2);

伪代码以下：

for(x in A){
    for(y in B){
     if(condition is true) {result.add();}
    }
}

这里的 condition 其实就是对比两张表中的 name 是否相同。

二、对于 exists 来讲，是先查询遍历外表 t1 ，而后每次遍历时，再检查在内表是否符合匹配条件，即检查是否存在 name 相等的数据。

sql 以下，

select * from t1 where name exists (select 1 from t2);

伪代码以下：

for(x in A){
  if(exists condition is true){result.add();}
}

对应于此例，就是从 id 为 1001 开始遍历 t1 表 ，而后遍历时检查 t2 中是否有相等的 name 。

如 id=1001时，张三存在于 t2 表中，则返回 true，把 t1 中张三的这条记录加入到结果集，继续下次循环。id=1002 时，李四不在 t2 表中，则返回 false，不作任何操做，继续下次循环。直到遍历完整个 t1 表。

是否走索引？

针对网上说的 in 和 exists 不走索引，那么到底是否如此呢？

咱们在 MySQL 5.7.18 中验证一下。（注意版本号哦）

单表查询

首先，验证单表的最简单的状况。咱们就以 t1 表为例，id为主键， name 为普通索引。

分别执行如下语句，

explain select * from t1 where id in (1001,1002,1003,1004);
explain select * from t1 where id in (1001,1002,1003,1004,1005);
explain select * from t1 where name in ('张三','李四');
explain select * from t1 where name in ('张三','李四','王五');

为何我要分别查不一样的 id 个数呢？看截图，

会惊奇的发现，当 id 是四个值时，还走主键索引。而当 id 是五个值时，就不走索引了。这就很回味无穷了。

再看 name 的状况，

一样的当值多了以后，就不走索引了。

因此，我猜想这个跟匹配字段的长度有关。按照汉字是三个字节来计算，且程序设计中喜欢用2的n次幂的尿性，这里大概就是以 16 个字节为分界点。

然而，我又以一样的数据，去个人服务器上查询（版本号 5.7.22），发现四个id值时，就不走索引了。所以，估算这里的临界值为 12 个字节。

无论怎样，这说明了，在 MySQL 中应该对 in 查询的字节长度是有限制的。（没有官方确切说法，因此，仅供参考）

多表涉及子查询

咱们主要是去看当前的这个例子中的两表查询时， in 和 exists 是否走索引。

1、分别执行如下语句，主键索引（id）和普通索引（name），在 in , not in 下是否走索引。

explain select * from t1 where id in (select id from t2); --1
explain select * from t1 where name in (select name from t2); --2
explain select * from t1 where id not in (select id from t2); --3
explain select * from t1 where name not in (select name from t2); --4

结果截图以下，

一、t1 走索引，t2 走索引。

1

二、t1 不走索引，t2不走索引。（此种状况，实测若把name改成惟一索引，则t1也会走索引）

2

三、t1 不走索引，t2走索引。

3

四、t1不走索引，t2不走索引。

4

我滴天，这结果看起来乱七八糟的，好像走不走索引，彻底看心情。

可是，咱们发现只有第一种状况，即用主键索引字段匹配，且用 in 的状况下，两张表才都走索引。

这个究竟是不是规律呢？有待考察，且往下看。

2、接下来测试，主键索引和普通索引在 exists 和 not exists 下的状况。sql以下，

explain select * from t1 where exists (select 1 from t2 where t1.id=t2.id);
explain select * from t1 where exists (select 1 from t2 where t1.name=t2.name);
explain select * from t1 where not exists (select 1 from t2 where t1.id=t2.id);
explain select * from t1 where not exists (select 1 from t2 where t1.name=t2.name);

这个结果就很是有规律了，且看，

有没有发现， t1 表哪一种状况都不会走索引，而 t2 表是有索引的状况下就会走索引。为何会出现这种状况？

其实，上一小节说到了 exists 的执行流程，就已经说明问题了。

它是之外层表为驱动表，不管如何都会循环遍历的，因此会全表扫描。而内层表经过走索引，能够快速判断当前记录是否匹配。

效率如何？

针对网上说的 exists 必定比 in 的执行效率高，咱们作一个测试。

分别在 t1，t2 中插入 100W，200W 条数据。

我这里，用的是自定义函数来循环插入，语句参考以下，（没有把表名抽离成变量，由于我没有找到方法，尴尬）

-- 传入须要插入数据的id开始值和数据量大小，函数返回结果为最终插入的条数，此值正常应该等于数据量大小。
-- id自增，循环往 t1 表添加数据。这里为了方便，id、name取同一个变量，address就为北京。
delimiter // 
drop function if exists insert_datas1//
create function insert_datas1(in_start int(11),in_len int(11)) returns int(11)
begin  
  declare cur_len int(11) default 0;
  declare cur_id int(11);
  set cur_id = in_start;
 
  while cur_len < in_len do
     insert into t1 values(cur_id,cur_id,'北京');
  set cur_len = cur_len + 1;
  set cur_id = cur_id + 1;
  end while; 
  return cur_len;
end  
//
delimiter ;
-- 一样的，往 t2 表插入数据
delimiter // 
drop function if exists insert_datas2//
create function insert_datas2(in_start int(11),in_len int(11)) returns int(11)
begin  
  declare cur_len int(11) default 0;
  declare cur_id int(11);
  set cur_id = in_start;
 
  while cur_len < in_len do
     insert into t2 values(cur_id,cur_id,'北京');
  set cur_len = cur_len + 1;
  set cur_id = cur_id + 1;
  end while; 
  return cur_len;
end  
//
delimiter ;

在此以前，先清空表里的数据，而后执行函数，

select insert_datas1(1,1000000);

对 t2 作一样的处理，不过为了两张表数据有交叉，就从 70W 开始，而后插入 200W  数据。

select insert_datas2(700000,2000000);

在家里的电脑，实际执行时间，分别为 36s 和 74s。

不知为什么，家里的电脑尚未在 Docker 虚拟机中跑的脚本快。。害，就这样凑合着用吧。

等我有了新欢钱，就把它换掉，哼哼。

一样的，把上边的执行计划都执行一遍，进行对比。我这里就不贴图了。

in 和 exists 孰快孰慢

为了方便，主要拿如下这两个 sql 来对比分析。

select * from t1 where id in (select id from t2);
select * from t1 where exists (select 1 from t2 where t1.id=t2.id);

执行结果显示，两个 sql 分别执行 1.3s  和 3.4s 。

注意此时，t1 表数据量为 100W， t2 表数据量为 200W 。

按照网上对 in 和 exists 区别的通俗说法，

若是查询的两个表大小至关，那么用in和exists差异不大；若是两个表中一个较小一个较大，则子查询表大的用exists，子查询表小的用in；

对应于此处就是：

  • 当 t1 为小表， t2 为大表时，应该用 exists ，这样效率高。
  • 当 t1 为大表，t2 为小表时，应该用 in，这样效率较高。

而我用实际数据测试，就把第一种说法给推翻了。由于很明显，t1 是小表，可是 in 比 exists 的执行速度还快。

为了继续测验它这个观点，我把两个表的内表外表关系调换一下，让 t2 大表做为外表，来对比查询，

select * from t2 where id in (select id from t1);
select * from t2 where exists (select 1 from t1 where t1.id=t2.id);

执行结果显示，两个 sql 分别执行 1.8s 和 10.0s 。

是否是颇有意思。能够发现，

  • 对于 in 来讲，大表小表调换了内外层关系，执行时间并没有太大区别。一个是 1.3s，一个是 1.8s。
  • 对于 exists 来讲，大小表调换了内外层关系，执行时间天壤之别，一个是 3.4s ，一个是 10.0s，足足慢了两倍。

1、以查询优化器维度对比。

为了探究这个结果的缘由。我去查看它们分别在查询优化器中优化后的 sql 。

以 select * from t1 where id in (select id from t2); 为例，顺序执行如下两个语句。

-- 此为 5.7 写法，若是是 5.6版本，须要用 explain extended ...
explain select * from t1 where id in (select id from t2);
-- 本意为显示警告信息。可是和 explain 一起使用，就会显示出优化后的sql。须要注意使用顺序。
show warnings;

在结果 Message 里边就会显示咱们要的语句。

-- message 优化后的sql
select `test`.`t1`.`id` AS `id`,`test`.`t1`.`name` AS `name`,`test`.`t1`.`address` AS `address` from `test`.`t2` join `test`.`t1` where (`test`.`t2`.`id` = `test`.`t1`.`id`)

能够发现，这里它把 in 转换为了 join 来执行。

这里没有用 on，而用了 where，是由于当只有 join 时，后边的 on 能够用 where 来代替。即 join on 等价于 join where 。

PS： 这里咱们也能够发现，select * 最终会被转化为具体的字段，知道为何咱们不建议用 select * 了吧。

一样的，以 t2 大表为外表的查询状况，也查看优化后的语句。

explain select * from t2 where id in (select id from t1);
show warnings;

咱们会发现，它也会转化为 join 的。

select `test`.`t2`.`id` AS `id`,`test`.`t2`.`name` AS `name`,`test`.`t2`.`address` AS `address` from `test`.`t1` join `test`.`t2` where (`test`.`t2`.`id` = `test`.`t1`.`id`)

这里再也不贴 exists 的转化 sql ，其实它没有什么大的变化。

2、以执行计划维度对比。

咱们再以执行计划维度来对比他们的区别。

explain select * from t1 where id in (select id from t2);
explain select * from t2 where id in (select id from t1);
explain select * from t1 where exists (select 1 from t2 where t1.id=t2.id);
explain select * from t2 where exists (select 1 from t1 where t1.id=t2.id);

执行结果分别为，

1
2
3
4

能够发现，对于 in 来讲，大表 t2 作外表仍是内表，都会走索引的，小表 t1 作内表时也会走索引。看它们的 rows 一列也能够看出来，前两张图结果同样。

对于 exists 来讲，当小表 t1 作外表时，t1 全表扫描，rows 近 100W；当 大表 t2 作外表时， t2 全表扫描，rows 近 200W 。这也是为何 t2 作外表时，执行效率很是低的缘由。

由于对于 exists 来讲，外表总会执行全表扫描的，固然表数据越少越好了。

最终结论： 外层大表内层小表，用in。外层小表内层大表，in和exists效率差很少（甚至 in 比 exists 还快，而并非网上说的 exists 比 in 效率高）。

not in 和 not exists 孰快孰慢

此外，实测对比 not in 和 not exists 。

explain select * from t1 where id not in (select id from t2);
explain select * from t1 where not exists (select 1 from t2 where t1.id=t2.id);
explain select * from t1 where name not in (select name from t2);
explain select * from t1 where not exists (select 1 from t2 where t1.name=t2.name);

explain select * from t2 where id not in (select id from t1);
explain select * from t2 where not exists (select 1 from t1 where t1.id=t2.id);
explain select * from t2 where name not in (select name from t1);
explain select * from t2 where not exists (select 1 from t1 where t1.name=t2.name);

小表作外表的状况下。对于主键来讲， not exists 比 not in 快。对于普通索引来讲， not in 和 not exists 差不了多少，甚至 not in 会稍快。

大表作外表的状况下，对于主键来讲， not in 比 not exists 快。对于普通索引来讲， not in 和 not exists 差不了多少，甚至 not in 会稍快。

感兴趣的同窗，可自行尝试。以上边的两个维度（查询优化器和执行计划）分别来对比一下。

join 的嵌套循环 (Nested-Loop Join)

为了理解为何这里的 in 会转换为 join ，我感受有必要了解一下 join 的三种嵌套循环链接。

一、简单嵌套循环链接，Simple Nested-Loop Join ，简称 SNLJ

join 便是 inner join ，内链接，它是一个笛卡尔积，即利用双层循环遍历两张表。

咱们知道，通常在 sql 中都会以小表做为驱动表。因此，对于 A，B 两张表，若A的结果集较少，则把它放在外层循环，做为驱动表。天然，B 就在内层循环，做为被驱动表。

简单嵌套循环，就是最简单的一种状况，没有作任何优化。

所以，复杂度也是最高的，O(mn)。伪代码以下，

for(id1 in A){
    for(id2 in B){
        if(id1==id2){
            result.add();
        }
    }
}

二、索引嵌套循环链接，Index Nested-Loop Join ，简称 INLJ

看名字也能看出来了，这是经过索引进行匹配的。外层表直接和内层表的索引进行匹配，这样就不须要遍历整个内层表了。利用索引，减小了外层表和内层表的匹配次数。

因此，此种状况要求内层表的列要有索引。

伪代码以下，

for(id1 in A){
    if(id1 matched B.id){
        result.add();
    }
}

三、块索引嵌套链接，Block Nested-Loop Join  ，简称 BNLJ

块索引嵌套链接，是经过缓存外层表的数据到 join buffer 中，而后 buffer 中的数据批量和内层表数据进行匹配，从而减小内层循环的次数。

之外层循环100次为例，正常状况下须要在内层循环读取外层数据100次。若是以每10条数据存入缓存buffer中，并传递给内层循环，则内层循环只须要读取10次(100/10)就能够了。这样就下降了内层循环的读取次数。

MySQL 官方文档也有相关说明，能够参考：https://dev.mysql.com/doc/refman/5.7/en/nested-loop-joins.html#block-nested-loop-join-algorithm

因此，这里转化为 join，能够用到索引嵌套循环链接，从而提升了执行效率。

声明： 以上是以个人测试数据为准，测出来的结果。实际真实数据和测试结果颇有可能会不太同样。若是有不一样意见，欢迎留言讨论。



扫描二维码

获取更多精彩

烟雨星空


本文分享自微信公众号 - 烟雨星空（mistyskys）。
若有侵权，请联系 support@oschina.cn 删除。
本文参与“OSC源创计划”，欢迎正在阅读的你也加入，一块儿分享。

相关文章
相关标签/搜索
每日一句
    每一个你不满意的现在，都有一个你没有努力的曾经。
本站公众号
   欢迎关注本站公众号,获取更多信息
联系我们 最近搜索 最新文章 沪ICP备13005482号-10 MyBatis教程 SQL 教程 MySQL教程 Java 教程 Thymeleaf 教程 Hibernate教程 Spring教程 Redis教程