MySQL查询执行（三）：显示随机消息

假设有如下表结构：

-- 创建表words
CREATE TABLE `words` (
 `id` int(11) NOT NULL AUTO_INCREMENT,
 `word` varchar(64) DEFAULT NULL,
 PRIMARY KEY (`id`)
) ENGINE=InnoDB;

--数据生成存储过程
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 ;

-- 生成数据call
call idata();

思考：假设有一个英语学习App，首页有一个随机显示单词的功能，也就是根据每个用户的级别有一个单词表，然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。如果让你来设计这个SQL语句，你会怎么写呢？

内存临时表

首先，你会想到用order by rand()来实现这个逻辑。

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

这个语句的意思很直白，随机排序取前3个。虽然这个SQL语句写法很简单，但执行流程却有点复杂的。

先用explain命令来看看这个语句的执行情况。

Extra字段显示Using temporary，表示的是需要使用临时表； Using filesort，表示的是需要执行排序操作。

因此这个Extra的意思就是，需要临时表，并且需要在临时表上排序。

问：对于临时内存表的排序来说，它会选择哪一种算法呢？

对于InnoDB表来说，执行全字段排序会减少磁盘访问，因此会被优先选择。

对于内存表（Memory表），回表过程只是简单地根据数据行的位置，直接访问内存得到数据，根本不会导致多访问磁盘。

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，所以， MySQL这时就会选择rowid排序。

上述SQL语句执行流程如下：

1）创建一个临时表。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。并且，这个表没有建索引。

2）从words表中，按主键顺序取出所有的word值。对于每一个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）现在临时表有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什么是“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做全表扫描，此时扫描行数增加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作，所以不会增加扫描行数。

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。这个过程中，访问了表的三行数据，总扫描行数变成了20003。

接下来，我们通过慢查询日志（slow log）来验证一下我们分析得到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中扫描了20003行，也就验证了我们分析得出的结论。

上述SQL语句执行示意图如下：

问1：SQL执行流程中，从内存临时表中一行一行地取出R值和位置信息，此处位置信息是指什么？

每个引擎都有用来唯一标识数据行的信息，InnoDB使用rowid来唯一标识行数据，MEMORY引擎使用位置信息来唯一标识行数据（MEMORY引擎不是索引组织表）。可以把MEMORY表理解为一个数组，而位置信息即为数组的下标。

问2：如果把一个InnoDB表的主键删掉，是不是就没有主键，就没办法回表了？

如果你创建的表没有主键，或者把一个表的主键删掉了，那么InnoDB会自己生成一个长度为6字节的rowid来作为主键。

1）对于有主键的InnoDB表来说，这个rowid就是主键ID。

2）对于没有主键的InnoDB表来说，这个rowid就是由系统生成的。

3）MEMORY引擎不是索引组织表。在这个例子里面，你可以认为它就是一个数组。因此，这个rowid其实就是数组的下标。

磁盘临时表

问1：是不是所有的临时表都是内存表？

其实不是的。 tmp_table_size这个配置限制了内存临时表的大小，默认值是16M。如果临时表大小超过了tmp_table_size，那么内存临时表就会转成磁盘临时表。

注：内存临时表使用的引擎默认是MEMORY；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。

现在有如下场景：

--设置语句执行环境；
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

执行结果：

因为将max_length_for_sort_data设置成16，小于word字段的长度定义，所以我们看到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。

问2：R字段存放的随机值就8个字节， rowid是6个字节（至于为什么是6字节，就留给你课后思考吧），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。但是， number_of_tmp_files的值居然是0，难道不需要用临时文件吗？

答：采用的是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（即堆排序）。而非归并排序。

因为现在的SQL语句，只需要取R值最小的3个rowid。如果使用归并排序算法的话，虽然最终也能得到前3个值，但是这个算法结束后，已经将10000行数据都排好序了，显然浪费了非常多的计算量。

而优先队列算法，就可以精确地只得到三个最小值，执行流程如下：

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

2）取下一个行(R’,rowid’)，跟当前堆里面最大的R比较，如果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。

优先队列排序过程示意图：

上图模拟6个(R,rowid)行，通过优先队列排序找到最小的三个R值的行的过程。整个排序过程中，为了最快地拿到当前堆的最大值，总是保持最大值在堆顶，因此这是一个最大堆。

上图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，这个过程不需要临时文件，因此对应的number_of_tmp_files是0。

这个流程结束后，我们构造的堆里面，就是这个10000行里面R值最小的三行。然后，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排序的过程一样了。

问3：针对“order by是怎么工作的”小节中的SQL查询语句：

select city,name,age from t where city='杭州' order by name limit 1000 ;

这里也用到了limit，为什么没用优先队列排序算法呢？

答：这条SQL语句是limit 1000，如果使用优先队列算法的话，需要维护的堆的大小就是1000行的(name,rowid)，超过了我设置的sort_buffer_size大小，所以只能使用归并排序算法。

结论：不论是使用哪种类型的临时表， order by rand()这种写法都会让计算过程非常复杂，需要大量的扫描行数，因此排序过程的资源消耗也会很大。

随机排序方法

随机算法1

思考：如果只随机选择1个word值，可以怎么做呢？

答：思路上是这样的：

1）取得这个表的主键id的最大值M和最小值N。

2）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。

3）取不小于X的第一个ID的行。

我们把这个算法暂时称作随机算法1。上述思路语句执行过程：

--1）取得这个表的主键id的最大值M和最小值N;
select max(id), min(id) into @M, @N from t;

--2）用随机函数生成一个最大值到最小值之间的随机数；
set @X= floor((@M - @N + 1)*rand() + @N);

--3）取不小于X的第一个ID的行；
select * from t where id >= @X limit 1;

这个方法效率很高，因为取max(id)和min(id)都是不需要扫描索引的，而第三步的select也可以用索引快速定位，可以认为就只扫描了3行。

但实际上，这个算法本身并不严格满足题目的随机要求，因为ID中间可能有空洞，因此选择不同行的概率不一样，不是真正的随机。

比如你有4个id，分别是1、 2、 4、 5，如果按照上面的方法，那么取到 id=4的这一行的概率是取得其他行概率的两倍。

如果这四行的id分别是1、 2、 40000、 40001呢？这个算法基本就能当bug来看待了。

随机算法2

为了得到严格随机的结果，对上述流程优化后如下：

1）取得整个表的行数，并记为C。

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

3）再用limit Y,1取得一行。

我们把这个算法，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。

select count(*) into @C from t;

-- rand()返回0到1之间的一个随机数
-- rand(5)返回0-5之间的一个随机数
set @Y = floor(@C * rand());

-- concat()函数用于拼接字符串
set @sql = concat("select * from t limit ", @Y, ", 1");
prepare stmt from @sql;
execute stmt;
DEALLOCATE prepare stmt;

由于limit 后面的参数不能直接跟变量，所以我在上面的代码中使用了prepare+execute的方法。

这个随机算法2，解决了算法1里面明显的概率不均匀问题。（使用limit替换>=）

MySQL处理limit Y,1 的做法就是按顺序一个一个地读出来，丢掉前Y个，然后把下一个记录作为返回结果，因此这一步需要扫描Y+1行。再加上，第一步扫描的C行，总共需要扫描C+Y+1行，执行代价比随机算法1的代价要高。

当然，随机算法2跟直接order by rand()比起来，执行代价还是小很多的。

思考：如果按照这个表有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差不多了，接近order by rand()的扫描行数，为什么说随机算法2的代价要小很多呢？

因为随机算法2进行limit获取数据的时候是根据主键排序获取的，主键天然索引排序。获取到第9999条的数据也远比order by rand()方法的组成临时表，对R字段排序再获取rowid代价小的多。（order by rand()方法有临时表、R字段排序等消耗）

随机算法3

思考：如果我们按照随机算法2的思路，要随机取3个word值呢？应该怎么做？

答：

1）取得整个表的行数，记为C。

2）根据相同的随机方法得到Y1、 Y2、 Y3。

3）再执行三个limit Y, 1语句得到三行数据。

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

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Y1、Y2、Y3值,拼出SQL后执行
select * from t limit @Y2, 1;
select * from t limit @Y3, 1;