|
|
51CTO旗下网站
|
|
移动端

技术总监夸我“索引”用的溜,我飘了......

生产上为了高效地查询数据库中的数据,我们常常会给表中的字段添加索引,大家是否有考虑过如何添加索引才能使索引更高效。

作者:码海来源:码海|2020-06-12 09:07

生产上为了高效地查询数据库中的数据,我们常常会给表中的字段添加索引,大家是否有考虑过如何添加索引才能使索引更高效。

图片来自 Pexels

添加的索引是越多越好吗?为啥有时候明明添加了索引却不生效?索引有哪些类型?如何评判一个索引设计的好坏?看了本文相信你会对索引的原理有更清晰的认识。

本文将会从以下几个方面来讲述索引的相关知识:

  • 什么是索引,索引的作用
  • 索引的种类
  • 高性能索引策略
  • 索引设计准则:三星索引

什么是索引,索引的作用

当我们要在新华字典里查某个字(如「先」)具体含义的时候,通常都会拿起一本新华字典来查。

你可以先从头到尾查询每一页是否有「先」这个字,这样做(对应数据库中的全表扫描)确实能找到,但效率无疑是非常低下的。

更高效的方相信大家也都知道,就是在首页的索引里先查找「先」对应的页数,然后直接跳到相应的页面查找,这样查询时候大大减少了,可以为是 O(1)。

数据库中的索引也是类似的,通过索引定位到要读取的页,大大减少了需要扫描的行数,能极大的提升效率。

简而言之,索引主要有以下几个作用:

  • 即上述所说,索引能极大地减少扫描行数
  • 索引可以帮助服务器避免排序和临时表
  • 索引可以将随机 IO 变成顺序 IO

第一点上文已经解释了,我们来看下第二点和第三点,先来看第二点,假设我们不用索引,试想运行如下语句:

  1. SELECT * FROM user order by age desc

则 MySQL 的流程是这样的,扫描所有行,把所有行加载到内存后,再按 age 排序生成一张临时表,再把这表排序后将相应行返回给客户端。

更糟的,如果这张临时表的大小大于 tmp_table_size 的值(默认为 16 M),内存临时表会转为磁盘临时表,性能会更差,如果加了索引,索引本身是有序的。

所以从磁盘读的行数本身就是按 age 排序好的,也就不会生成临时表,就不用再额外排序 ,无疑提升了性能。

再来看随机 IO 和顺序 IO。先来解释下这两个概念。

相信不少人应该吃过旋转火锅,服务员把一盘盘的菜放在旋转传输带上,然后等到这些菜转到我们面前,我们就可以拿到菜了。

假设装一圈需要 4 分钟,则最短等待时间是 0(即菜就在你跟前),最长等待时间是 4 分钟(菜刚好在你跟前错过),那么平均等待时间即为 2 分钟。

假设我们现在要拿四盘菜,这四盘菜随机分配在传输带上,则可知拿到这四盘菜的平均等待时间是 8 分钟(随机 IO),如果这四盘菜刚好紧邻着排在一起,则等待时间只需 2 分钟(顺序 IO)。

上述中传输带就类比磁道,磁道上的菜就类比扇区(sector)中的信息,磁盘块(block)是由多个相邻的扇区组成的,是操作系统读取的最小单元。

这样如果信息能以 block 的形式聚集在一起,就能极大减少磁盘 IO 时间,这就是顺序 IO 带来的性能提升,下文中我们将会看到 B+ 树索引就起到这样的作用。

如图示:多个扇区组成了一个 block,如果要读的信息都在这个 block 中,则只需一次 IO 读。

而如果信息在一个磁道中分散地分布在各个扇区中,或者分布在不同磁道的扇区上(寻道时间是随机IO主要瓶颈所在),将会造成随机 IO,影响性能。

我们来看一下一个随机 IO 的时间分布:

  • seek Time:寻道时间,磁头移动到扇区所在的磁道。
  • Rotational Latency:完成步骤 1 后,磁头移动到同一磁道扇区对应的位置所需求时间。
  • Transfer Time:从磁盘读取信息传入内存时间。

这其中寻道时间占据了绝大多数的时间(大概占据随机 IO 时间的占 40%)。

随机 IO 和顺序 IO 大概相差百倍 (随机 IO:10 ms/ page, 顺序 IO 0.1ms / page),可见顺序 IO 性能之高,索引带来的性能提升显而易见!

索引的种类

索引主要分为以下几类:

  • B+树索引
  • 哈希索引

①B+ 树索引

B+ 树是以 N 叉树的形式存在的,这样有效降低了树的高度,查找数据也不需要全表扫描了。

顺着根节点层层往下查找能很快地找到我们的目标数据,每个节点的大小即一个磁盘块的大小,一次 IO 会将一个页(每页包含多个磁盘块)的数据都读入(即磁盘预读。

程序局部性原理:读到了某个值,很大可能这个值周围的数据也会被用到,干脆一起读入内存),叶子节点通过指针的相互指向连接,能有效减少顺序遍历时的随机 IO。

而且我们也可以看到,叶子节点都是按索引的顺序排序好的,这也意味着根据索引查找或排序都是排序好了的,不会再在内存中形成临时表。

②哈希索引

哈希索引基本散列表实现,散列表(也称哈希表)是根据关键码值(Key value)而直接进行访问的数据结构,它让码值经过哈希函数的转换映射到散列表对应的位置上,查找效率非常高。

假设我们对名字建立了哈希索引,则查找过程如下图所示:


对于每一行数据,存储引擎都会对所有的索引列(上图中的 name 列)计算一个哈希码(上图散列表的位置),散列表里的每个元素指向数据行的指针。

由于索引自身只存储对应的哈希值,所以索引的结构十分紧凑,这让哈希索引查找速度非常快!

当然了哈希表的劣势也是比较明显的,不支持区间查找,不支持排序,所以更多的时候哈希表是与 B Tree等一起使用的。

在 InnoDB 引擎中就有一种名为「自适应哈希索引」的特殊索引,当 innoDB 注意到某些索引值使用非常频繁时,就会内存中基于 B-Tree 索引之上再创建哈希索引。

这样也就让 B+ 树索引也有了哈希索引的快速查找等优点,这是完全自动,内部的行为,用户无法控制或配置,不过如果有必要,可以关闭该功能。

InnoDB 引擎本身是不支持显式创建哈希索引的,我们可以在 B+ 树的基础上创建一个伪哈希索引,它与真正的哈希索引不是一回事,它是以哈希值而非键本身来进行索引查找的,这种伪哈希索引的使用场景是怎样的呢?

假设我们在 db 某张表中有个 url 字段,我们知道每个 url 的长度都很长,如果以 url 这个字段创建索引,无疑要占用很大的存储空间。

如果能通过哈希(比如 CRC32)把此 url 映射成 4 个字节,再以此哈希值作索引 ,索引占用无疑大大缩短!

不过在查询的时候要记得同时带上 url 和 url_crc,主要是为了避免哈希冲突,导致 url_crc 的值可能一样:

  1. SELECT id FROM url WHERE url = "http://www.baidu.com"  AND url_crc = CRC32("http://www.baidu.com"

这样做把基于 url 的字符串索引改成了基于 url_crc 的整型索引,效率更高,同时索引占用的空间也大大减少,一举两得,当然人可能会说需要手动维护索引太麻烦了,那可以改进触发器实现。

除了上文说的两个索引 ,还有空间索引(R-Tree),全文索引等,由生产中不是很常用,这里不作过多阐述。

高性能索引策略

不同的索引设计选择能对性能产生很大的影响,有人可能会发现生产中明明加了索引却不生效,有时候加了虽然生效但对搜索性能并没有提升多少。

对于多列联合索引,哪列在前,哪列在后也是有讲究的,我们一起来看看加了索引,为何却不生效?

加了索引却不生效可能会有以下几种原因:

①索引列是表示式的一部分,或是函数的一部分

如下 SQL:

  1. SELECT book_id FROM BOOK WHERE book_id + 1 = 5; 

或者:

  1. SELECT book_id FROM BOOK WHERE TO_DAYS(CURRENT_DATE) - TO_DAYS(gmt_create) <= 10 

上述两个 SQL 虽然在列 book_id 和 gmt_create 设置了索引 ,但由于它们是表达式或函数的一部分,导致索引无法生效,最终导致全表扫描。

②隐式类型转换

以上两种情况相信不少人都知道索引不能生效,但下面这种隐式类型转换估计会让不少人栽跟头,来看下下面这个例子。

假设有以下表:

  1. CREATE TABLE `tradelog` ( 
  2.   `id` int(11) NOT NULL
  3.   `tradeid` varchar(32) DEFAULT NULL
  4.   `operator` int(11) DEFAULT NULL
  5.   `t_modified` datetime DEFAULT NULL
  6.    PRIMARY KEY (`id`), 
  7.    KEY `tradeid` (`tradeid`), 
  8.    KEY `t_modified` (`t_modified`) 
  9. ) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4; 

执行 SQL 语句:

  1. SELECT * FROM tradelog WHERE tradeid=110717; 

交易编号 tradeid 上有索引,但用 EXPLAIN 执行却发现使用了全表扫描,为啥呢,tradeId 的类型是 varchar(32)。

而此 SQL 用 tradeid 一个数字类型进行比较,发生了隐形转换,会隐式地将字符串转成整型,如下:

  1. mysql> SELECT * FROM tradelog WHERE CAST(tradid AS signed int) = 110717; 

这样也就触发了上文中第一条的规则 ,即:索引列不能是函数的一部分。

③隐式编码转换

这种情况非常隐蔽,来看下这个例子:

  1. CREATE TABLE `trade_detail` (  
  2.  `id` int(11) NOT NULL,  
  3.  `tradeid` varchar(32) DEFAULT NULL,  
  4.  `trade_step` int(11) DEFAULT NULL, /*操作步骤*/  
  5.  `step_info` varchar(32) DEFAULT NULL, /*步骤信息*/  
  6.    PRIMARY KEY (`id`), KEY `tradeid` (`tradeid`) 
  7. ) ENGINE=InnoDB DEFAULT CHARSET=utf8; 

trade_detail 是交易详情, tradelog 是操作此交易详情的记录,现在要查询 id=2 的交易的所有操作步骤信息,则我们会采用如下方式:

  1. SELECT d.* FROM tradelog l, trade_detail d WHERE d.tradeid=l.tradeid AND l.id=2; 

由于 tradelog 与 trade_detail 这两个表的字符集不同,且 tradelog 的字符集是 utf8mb4,而 trade_detail 字符集是 utf8,utf8mb4 是 utf8 的超集,所以会自动将 utf8 转成 utf8mb4。

即上述语句会发生如下转换:

  1. SELECT d.* FROM tradelog l, trade_detail d WHERE (CONVERT(d.traideid USING utf8mb4)))=l.tradeid AND l.id=2; 

自然也就触发了 「索引列不能是函数的一部分」这条规则。怎么解决呢,第一种方案当然是把两个表的字符集改成一样,如果业务量比较大,生产上不方便改的话。

还有一种方案是把 utf8mb4 转成 utf8,如下:

  1. mysql> SELECT d.* FROM tradelog l , trade_detail d WHERE d.tradeid=CONVERT(l.tradeid USING utf8) AND l.id=2; 

这样索引列就生效了。

④使用 order by 造成的全表扫描

  1. SELECT * FROM user ORDER BY age DESC 

上述语句在 age 上加了索引,但依然造成了全表扫描,这是因为我们使用了 SELECT *,导致回表查询,MySQL 认为回表的代价比全表扫描更大。

所以不选择使用索引,如果想使用到 age 的索引,我们可以用覆盖索引来代替:

  1. SELECT age FROM user ORDER BY age DESC 

或者加上 limit 的条件(数据比较小):

  1. SELECT * FROM user ORDER BY age DESC limit 10 

这样就能利用到索引。

无法避免对索引列使用函数,怎么使用索引

有时候我们无法避免对索引列使用函数,但这样做会导致全表索引,是否有更好的方式呢。

比如我现在就是想记录 2016 ~ 2018 所有年份 7 月份的交易记录总数:

  1. mysql> SELECT count(*) FROM tradelog WHERE month(t_modified)=7; 

由于索引列是函数的参数,所以显然无法用到索引,我们可以将它改造成基本字段区间的查找如下:

  1. SELECT count(*) FROM tradelog WHERE 
  2.     -> (t_modified >= '2016-7-1' AND t_modified<'2016-8-1'or 
  3.     -> (t_modified >= '2017-7-1' AND t_modified<'2017-8-1'or  
  4.     -> (t_modified >= '2018-7-1' AND t_modified<'2018-8-1'); 

前缀索引与索引选择性

之前我们说过,如于长字符串的字段(如 url),我们可以用伪哈希索引的形式来创建索引,以避免索引变得既大又慢。

除此之外其实还可以用前缀索引(字符串的部分字符)的形式来达到我们的目的,那么这个前缀索引应该如何选取呢,这叫涉及到一个叫索引选择性的概念。

索引选择性:不重复的索引值(也称为基数,cardinality)和数据表的记录总数的比值,比值越高,代表索引的选择性越好,唯一索引的选择性是最好的,比值是 1。

画外音:我们可以通过 SHOW INDEXES FROM table 来查看每个索引 cardinality 的值以评估索引设计的合理性。

怎么选择这个比例呢,我们可以分别取前 3,4,5,6,7 的前缀索引,然后再比较下选择这几个前缀索引的选择性,执行以下语句:

  1. SELECT  
  2.  COUNT(DISTINCT LEFT(city,3))/COUNT(*) as sel3, 
  3.  COUNT(DISTINCT LEFT(city,4))/COUNT(*) as sel4, 
  4.  COUNT(DISTINCT LEFT(city,5))/COUNT(*) as sel5, 
  5.  COUNT(DISTINCT LEFT(city,6))/COUNT(*) as sel6, 
  6.  COUNT(DISTINCT LEFT(city,7))/COUNT(*) as sel7 
  7. FROM city_demo 

得结果如下:

可以看到当前缀长度为 7 时,索引选择性提升的比例已经很小了,也就是说应该选择 city 的前六个字符作为前缀索引,如下:

  1. ALTER TABLE city_demo ADD KEY(city(6)) 

我们当前是以平均选择性为指标的,有时候这样是不够的,还得考虑最坏情况下的选择性。

以这个 demo 为例,可能一些人看到选择 4,5 的前缀索引与选择 6,7 的选择性相差不大,那就得看下选择 4,5 的前缀索引分布是否均匀了:

  1. SELECT  
  2.     COUNT(*) AS  cnt,  
  3.     LEFT(city, 4) AS pref 
  4.   FROM city_demo GROUP BY pref ORDER BY cnt DESC LIMIT 5 

可能会出现以下结果:

可以看到分布极不均匀,以 Sant,Toul 为前缀索引的数量极多,这两者的选择性都不是很理想,所以要选择前缀索引时也要考虑最差的选择性的情况。

前缀索引虽然能实现索引占用空间小且快的效果,但它也有明显的弱点,MySQL 无法使用前缀索引做 ORDER BY 和 GROUP BY ,而且也无法使用前缀索引做覆盖扫描,前缀索引也有可能增加扫描行数。

假设有以下表数据及要执行的 SQL:

  1. SELECT id,email FROM user WHERE email='zhangssxyz@xxx.com'

如果我们针对 email 设置的是整个字段的索引,则上表中根据 「zhangssxyz@163.com」查询到相关记记录后,再查询此记录的下一条记录,发现没有,停止扫描。

此时可知只扫描一行记录,如果我们以前六个字符(即 email(6))作为前缀索引,则显然要扫描四行记录,并且获得行记录后不得不回到主键索引再判断 email 字段的值,所以使用前缀索引要评估它带来的这些开销。

另外有一种情况我们可能需要考虑一下,如果前缀基本都是相同的该怎么办,比如现在我们为某市的市民建立一个人口信息表,则这个市人口的身份证虽然不同,但身份证前面的几位数都是相同的,这种情况该怎么建立前缀索引呢。

一种方式就是我们上文说的,针对身份证建立哈希索引,另一种方式比较巧妙,将身份证倒序存储,查的时候可以按如下方式查询:

  1. SELECT field_list FROM t WHERE id_card = reverse('input_id_card_string'); 

这样就可以用身份证的后六位作前缀索引了,是不是很巧妙?

实际上上文所述的索引选择性同样适用于联合索引的设计,如果没有特殊情况,我们一般建议在建立联合索引时,把选择性最高的列放在最前面。

比如,对于以下语句:

  1. SELECT * FROM payment WHERE staff_id = xxx AND customer_id = xxx; 

单就这个语句而言, (staff_id,customer_id) 和 (customer_id, staff_id) 这两个联合索引我们应该建哪一个呢,可以统计下这两者的选择性。

  1. SELECT  
  2.  COUNT(DISTINCT staff_id)/COUNT(*) as staff_id_selectivity, 
  3.  COUNT(DISTINCT customer_id)/COUNT(*) as customer_id_selectivity, 
  4.  COUNT(*) 
  5. FROM payment 

结果为:

  1. staff_id_selectivity: 0.0001 
  2. customer_id_selectivity: 0.0373 
  3. COUNT(*): 16049 

从中可以看出 customer_id 的选择性更高,所以应该选择 customer_id 作为第一列。

索引设计准则:三星索引

上文我们得出了一个索引列顺序的经验 法则:将选择性最高的列放在索引的最前列,这种建立在某些场景可能有用,但通常不如避免随机 IO 和 排序那么重要,这里引入索引设计中非常著名的一个准则:三星索引。

如果一个查询满足三星索引中三颗星的所有索引条件,理论上可以认为我们设计的索引是最好的索引。

什么是三星索引?

  • 第一颗星:WHERE 后面参与查询的列可以组成了单列索引或联合索引。
  • 第二颗星:避免排序,即如果 SQL 语句中出现 order by colulmn,那么取出的结果集就已经是按照 column 排序好的,不需要再生成临时表。
  • 第三颗星:SELECT 对应的列应该尽量是索引列,即尽量避免回表查询。

所以对于如下语句:

  1. SELECT age, name, city where age = xxx and name = xxx order by age 

设计的索引应该是 (age,name,city) 或者 (name,age,city)。

当然了,三星索引是一个比较理想化的标准,实际操作往往只能满足期望中的一颗或两颗星,考虑如下语句:

  1. SELECT age, name, city where age >= 10 AND age <= 20 and city = xxx order by name desc 

假设我们分别为这三列建了联合索引,则显然它符合第三颗星(使用了覆盖索引)。

如果索引是(city,age,name),则虽然满足了第一颗星,但排序无法用到索引,不满足第二颗星,如果索引是 (city,name,age),则第二颗星满足了,但此时 age 在 WHERE 中的搜索条件又无法满足第一星。

另外第三颗星(尽量使用覆盖索引)也无法完全满足,试想我要 SELECT 多列,要把这多列都设置为联合索引吗,这对索引的维护是个问题,因为每一次表的 CURD 都伴随着索引的更新,很可能频繁伴随着页分裂与页合并。

综上所述,三星索引只是给我们构建索引提供了一个参考,索引设计应该尽量靠近三星索引的标准。

但实际场景我们一般无法同时满足三星索引,一般我们会优先选择满足第三颗星(因为回表代价较大)至于第一,二颗星就要依赖于实际的成本及实际的业务场景考虑。

总结

本文简述了索引的基本原理,索引的几种类型,以及分析了一下设计索引尽量应该遵循的一些准则,相信我们对索引的理解又更深了一步。

作者:码海

编辑:陶家龙

出处:转载自微信公众号码海(ID:seaofcode)

【编辑推荐】

  1. 蚂蚁集团成立数据库独立公司OceanBase,年内将发布重大版本升级
  2. 我用对了这些场景下的索引,技术总监夸我棒
  3. 为什么数据库不应该使用外键
  4. MongoDB统一分布式数据源,云数据库支持数据湖和搜索功能
  5. 数据库有哪些分类?应该怎样选择?终于有人讲明白了
【责任编辑:武晓燕 TEL:(010)68476606】

点赞 0
分享:
大家都在看
猜你喜欢

订阅专栏+更多

实操案例:Jenkins持续交付和持续部署

实操案例:Jenkins持续交付和持续部署

微服务架构下的自动化部署
共18章 | freshman411

144人订阅学习

思科交换网络安全指南

思科交换网络安全指南

安全才能无忧
共5章 | 思科小牛

99人订阅学习

云计算从入门到上瘾

云计算从入门到上瘾

传统IT工程师的转型
共26章 | 51CTO阿森

256人订阅学习

订阅51CTO邮刊

点击这里查看样刊

订阅51CTO邮刊

51CTO服务号

51CTO官微