系列八、SQL优化

news2024/11/6 3:17:06

一、插入数据

如果我们需要一次性往数据库表中插入多条记录,可以从以下三个方面进行优化。

1.1、优化方案一(批量插入数据)

Insert into tb_test values(1,'Tom'),(2,'Cat'),(3,'Jerry');

1.2、优化方案二(手动控制事务)

start transaction;
insert into tb_test values(1,'Tom'),(2,'Cat'),(3,'Jerry');
insert into tb_test values(4,'Tom'),(5,'Cat'),(6,'Jerry');
insert into tb_test values(7,'Tom'),(8,'Cat'),(9,'Jerry');
commit;

1.3、优化方案三(主键顺序插入)

主键顺序插入,性能要高于乱序插入。
主键乱序插入 : 8 1 9 21 88 2 4 15 89 5 7 3
主键顺序插入 : 1 2 3 4 5 7 8 9 15 21 88 89

1.4、大批量插入数据

参考系列七的5.2章节
https://blog.csdn.net/HelloWorld20161112/article/details/129245692

二、主键优化

主键顺序插入的性能高于乱序插入的原因分析:

2.1、数据组织方式

        在InnoDB 存储引擎中,表数据都是根据主键顺序组织存放的,这种存储方式的表称为索引组织表 (index organized table IOT)。
 

 行数据,都是存储在聚集索引的叶子节点上的。InnoDB的逻辑结构图:

        在InnoDB存储引擎中,数据行是记录在逻辑结构 page 页中的,而每一个页的大小是固定的,默认16K。那也就意味着, 一个页中所存储的行也是有限的,如果插入的数据行row在该页存储不小,将会存储到下一个页中,页与页之间会通过指针连接。

2.2、页分裂

页可以为空,也可以填充一半,也可以填充 100% 。每个页包含了 2~N 行数据 ( 如果一行数据过大,会行溢出) ,根据主键排列。


2.2.1、主键顺序插入

(1)从磁盘中申请页, 主键顺序插入

(2)第一个页没有满,继续往第一页插入

 (3)当第一个也写满之后,再写入第二个页,页与页之间会通过指针连接

(4) 当第二页写满了,再往第三页写入

 2.2.2、主键乱序插入

(1)假如1#,2#页都已经写满了,存放了如图所示的数据

(2)此时再插入id50的记录,看看会发生什么现象?会再次开启一个页,写入新的页中吗?

 不会。因为索引结构的叶子节点是有顺序的。按照顺序,应该存储在47之后。

 但是47所在的1#页,已经写满了,存储不了50对应的数据了。 那么此时会开辟一个新的页 3#

        但是并不会直接将50存入3#页,而是会将1#页后一半的数据,移动到3#页,然后在3#页,插入50 

        移动数据,并插入id 50 的数据之后,那么此时,这三个页之间的数据顺序是有问题的。 1# 的下一个页,应该是3# 3# 的下一个页是 2# 。 所以,此时,需要重新设置链表指针。
 

 上述的这种现象,称之为 "页分裂",是比较耗费性能的操作。

2.2.3、页合并

目前表中已有数据的索引结构 ( 叶子节点 如下:

当我们对已有数据进行删除时,具体的效果如下:
        当删除一行记录时,实际上记录并没有被物理删除,只是记录被标记(flaged)为删除并且它
的空间变得允许被其他记录声明使用。

当我们继续删除2#的数据记录:

        当页中删除的记录达到 MERGE_THRESHOLD (默认为页的 50% ), InnoDB 会开始寻找最靠近的页(前或后)看看是否可以将两个页合并以优化空间使用。

删除数据,并将页合并之后,再次插入新的数据 21 ,则直接插入3#页

这里面所发生的合并页的现象称之为 "页合并" 

说明:MERGE_THRESHOLD:合并页的阈值,可以自己设置,在创建表或者创建索引时指定。

2.2.4、索引设计原则

  • 满足业务需求的情况下,尽量降低主键的长度;
  • 插入数据时,尽量选择顺序插入,选择使用 AUTO_INCREMENT 自增主键;
  • 尽量不要使用UUID做主键或者是其他自然主键,如身份证号;
  • 业务操作时,避免对主键的修改;

三、order by优化

MySQL 的排序,有两种方式:
(1)Using filesort : 通过表的索引或全表扫描,读取满足条件的数据行,然后在排序缓冲区 sort buffer中完成排序操作,所有不是通过索引直接返回排序结果的排序都叫 FileSort 排序。
(2)Using index : 通过有序索引顺序扫描直接返回有序数据,这种情况即为 using index ,不需要额外排序,操作效率高。
对于以上的两种排序方式, Using index 的性能高,而 Using filesort 的性能低,我们在优化排序操作时,尽量要优化为 Using index

3.1、准备工作(索引初始化)

删除索引:idx_user_phone、idx_user_phone_name、idx_user_name

drop index idx_user_phone on tb_user;
drop index idx_user_phone_name on tb_user;
drop index idx_user_name on tb_user;

3.2、执行排序

3.2.1、排序的字段没有建立索引

explain select id,age,phone from tb_user order by age ;
explain select id,age,phone from tb_user order by age, phone ;

 

 结果分析:由于 age, phone 都没有索引,所以排序时,出现Using filesort, 排序性能较低。

3.2.2、排序的字段建立了索引

# 创建索引
create index idx_user_age_phone on tb_user(age,phone);

结果分析:建立索引之后,再次进行排序查询,就由原来的Using filesort, 变为了 Using index,性能就比较高的了。

 3.2.3、创建索引后,根据age, phone进行降序排序

结果分析:也出现 Using index, 但是此时Extra中出现了 Backward index scan,表示反向扫描索引,因为在MySQL中我们创建的索引,默认索引的叶子节点是从小到大排序的,而此时我们查询排序时,是从大到小,所以在扫描时,就是反向扫描,就会出现 Backward index scan。 在 MySQL8版本中,支持降序索引,我们也可以创建降序索引。

3.2.4、根据phoneage进行升序排序,phone在前,age在后

结果分析:排序时,也需要满足最左前缀法则,否则也会出现 filesort。因为在创建索引的时候, age是第一个字段,phone是第二个字段,所以排序时,也就该按照这个顺序来,否则就会出现 Using filesort。

3.2.5、根据age, phone进行排序,一个升序,一个降序

explain select id,age,phone from tb_user order by age asc , phone desc;

结果分析:因为创建索引时,如果未指定顺序,默认都是按照升序排序的,而查询时,一个升序,一个降序,此时就会出现Using filesort

3.2.6、创建联合索引(age升序,phone降序)后再次执行上述SQL 

create index idx_user_age_phone_ad on tb_user(age asc ,phone desc);

3.2.7、升序/降序联合结构示意图

 3.2.8、order by优化总结

(1)根据排序字段建立合适的索引,多字段排序时,也遵循最左前缀法则;

(2)尽量使用覆盖索引;

(3)多字段排序, 一个升序一个降序,此时需要注意联合索引在创建时的规则(ASC/DESC);

(4)如果不可避免的出现filesort,大数据量排序时,可以适当增大排序缓冲区大小sort_buffer_size(默认256k)

四、group by优化

4.1、索引初始化(删除除主键索引外的其他索引)

drop index idx_user_pro_age_sta	on tb_user;
drop index idx_user_pro on tb_user;
drop index idx_email_5 on tb_user;
drop index idx_user_age_phone on tb_user;
drop index idx_user_age_phone_ad on tb_user;

4.2、测试执行计划

4.2.1、按照profession分组

explain select profession , count(*) from tb_user group by profession ;

 

 4.2.2、创建联合索引后再次执行上述SQL

create index idx_user_pro_age_sta on tb_user(profession , age , status);

4.2.3、依次执行如下SQL

explain select profession , count(*) from tb_user group by profession ;
explain select profession , count(*) from tb_user group by profession,age;
explain select profession , count(*) from tb_user group by profession,age,status;
explain select profession , count(*) from tb_user group by age;
explain select profession , count(*) from tb_user group by status;

结果分析:如果仅仅根据age分组,就会出现 Using temporary ;而如果是根据profession,age两个字段同时分组,则不会出现 Using temporary。原因是因为对于分组操作,在联合索引中,也是符合最左前缀法则的。

4.3、分组优化总结

(1)在分组操作时,可以通过索引来提高效率;
(2)分组操作时,索引的使用也是满足最左前缀法则的;

五、limit优化

在数据量比较大时,如果进行 limit 分页查询,在查询时,越往后,分页查询效率越低。
 

5.1、结果分析

        通过测试我们会看到,越往后,分页查询效率越低,这就是分页查询的问题所在。 因为当在进行分页查询时,如果执行 limit 2000000,10 ,此时需要MySQL排序前2000010 记录,仅仅返回 2000001 ~ 2000010 的记录,其他记录丢弃,查询排序的代价非常大。

5.2、优化思路

一般分页查询时,通过创建覆盖索引能够比较好地提高性能,可以通过创建覆盖索引加子查询的形式进行优化。
 
select * from tb_sku t , (select id from tb_sku order by id limit 2000000,10) temp where t.id = temp.id;

六、count优化

6.1、count概述

        在之前的测试中,我们发现如果数据量很大,在执行count 操作时是非常耗时的。MyISAM 引擎把一个表的总行数存在了磁盘上,因此执行 count(*) 的时候会直接返回这个数据,效率很高; 但是如果是带条件的count MyISAM 也慢。 InnoDB 引擎就麻烦了,它执行 count(*) 的时候,需要把数据一行一行地从引擎里面读出来,然后累积计数。 如果说要大幅度提升InnoDB 表的 count 效率,主要的优化思路:自己计数 ( 可以借助于 redis 这样的数据库进行, 但是如果是带条件的 count 又比较麻烦了 )

6.2、count用法

按照效率排序的话, count( 字段 ) < count( 主键 id) < count(1) ≈ count(*) ,所以尽量使用 count(*)

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/380677.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

CEC2005:星雀优化算法(Nutcracker optimizer algorithm,NOA)求解CEC2005(提供MATLAB代码)

一、星雀优化算法NOA 星雀优化算法(Nutcracker optimizer algorithm,NOA)由Mohamed Abdel-Basset等人于2023年提出&#xff0c;该算法模拟星雀的两种行为&#xff0c;即&#xff1a;在夏秋季节收集并储存食物&#xff0c;在春冬季节搜索食物的存储位置。 星鸦单独或成对活动&…

C语言循环语句do while和嵌套循环语句讲解

C do…while 循环 不像 for 和 while 循环&#xff0c;它们是在循环头部测试循环条件。在 C 语言中&#xff0c;do…while 循环是在循环的尾部检查它的条件。 do…while 循环与 while 循环类似&#xff0c;但是 do…while 循环会确保至少执行一次循环。 语法 C 语言中 do…w…

杂谈:数组index问题和对象key问题

面试题一&#xff1a; var arr [1, 2, 3, 4] 问&#xff1a;arr[1] ?; arr[1] ?答&#xff1a;arr[1] 2; arr[1] 2 这里可以再分为两个问题&#xff1a; 1、数组赋值 var arr [1, 2, 3, 4]arr[1] 10; // 数字场景 arr[10] 1; // 字符串场景 arr[a] 1; // 字符串…

索莫菲模型的一些理解 Smomerfeld Model

如何解释传统热容算出来的数值与量子模型下的区别&#xff1f; 因为只有费米能附近的电子才能够进行移动&#xff0c;这个是问题的差别所在 我们下面就来介绍如何求费米能&#xff08;费米能的计算&#xff09; 既然费米能附近的电子很重要&#xff0c;那么附近的电子有多少很…

语义分割前储知识

CNN中的Layers 除了正向传播计算loss&#xff0c;反向传播更新parameters&#xff0c;我们还需要知道参数是如何计算的&#xff0c;这个很重要。 我们这里介绍几个在deep learning中经常用到的几个层&#xff0c;dense layer&#xff08;全连接层&#xff09;&#xff0c;con…

Redis源码---有序集合为何能同时支持点查询和范围查询

目录 前言 Sorted Set 基本结构 跳表的设计与实现 跳表数据结构 跳表结点查询 跳表结点层数设置 哈希表和跳表的组合使用 前言 有序集合&#xff08;Sorted Set&#xff09;是 Redis 中一种重要的数据类型&#xff0c;它本身是集合类型&#xff0c;同时也可以支持集合中…

记一次Nodejs减低npm版本的踩坑日记

使用了npm install -g npm6.4.1指令之后&#xff0c;把npm版本减低了&#xff0c;让后悲催的就来了。 由于npm 6.4.1 已经过时&#xff0c;导致运行npm时出现 npm does not support Node.js v18.14.2 版本不兼容问题 升级npm版本&#xff0c;npm install -g npmlatest 没用还是…

DM-VIO论文翻译

简介 DM-VIO: Delayed Marginalization Visual-Inertial Odometry DM-VIO: 延迟边缘化惯性视觉里程计 花了两天时间捏着鼻子把这篇论文翻译完了&#xff0c;很多术语和状态的表达方式可能是和这个团队以前的工作DSO以及VI-DSO保持了一致&#xff0c;所以看起来很是费劲&#…

STM32开发(17)----CubeMX配置CRC

CubeMX配置CRC前言一、什么是CRC&#xff1f;二、实验过程1.STM32CubeMX配置2.代码实现重载printf3.实验结果总结前言 本章介绍使用STM32CubeMX对CRC进行配置的方法&#xff0c;CRC的目的是保证数据的完整性&#xff0c;所有的STM32芯片都内置了一个硬件的CRC计算模块&#xf…

指针的进阶【下篇】

文章目录&#x1f4c0;8.指向函数指针数组的指针&#x1f4c0;9.回调函数&#x1f4c0;8.指向函数指针数组的指针 &#x1f330;请看代码与注释&#x1f447; int Add(int x, int y) {return x y; } int Sub(int x, int y) {return x - y; } int main() {int (*pf)(int, int…

T3 出行云原生容器化平台实践

作者&#xff1a;林勇&#xff0c;就职于南京领行科技股份有限公司&#xff0c;担任云原生负责人&#xff0c;也是公司容器化项目的负责人。主要负责 T3 出行云原生生态相关的所有工作&#xff0c;如服务容器化、多 Kubernetes 集群建设、应用混部、降本增效、云原生可观测性基…

2023年中小企业实施智能制造的建议

智能制造的载体是制造系统&#xff0c;制造系统从微观到宏观有不同的层次&#xff0c;主要包括制造装备、制造单元、制造车间&#xff08;工厂&#xff09;、制造企业和企业生态等。随着智能制造的深入推进&#xff0c;未来智能制造将向以下五个方向发展。 &#xff08;一&…

FPGA采集AD7606全网最细讲解 提供串行和并行2套工程源码和技术支持

目录1、前言2、AD7606数据手册解读输入信号采集范围输出模式选择过采样率设置3、AD7606串行输出采集4、AD7606并行输出采集5、vivado仿真6、上板调试验证7、福利&#xff1a;工程代码的获取1、前言 AD7606是一款非常受欢迎的AD芯片&#xff0c;因为他支持8通道同时采集数据&am…

CFT Show 信息收集篇

CFT Show 信息收集篇1.CFT Show 信息收集篇1.1.WEB-11.1.1.打开靶场1.1.2.寻找Flag1.2.WEB-21.2.1.打开靶场1.2.2.寻找Flag1.3.WEB-31.3.1.打开靶场1.3.2.寻找Flag1.3.2.1.F12查看器1.3.2.2.查看源码1.3.2.3.抓包1.4.WEB-41.4.1.打开靶场1.4.2.寻找Flag1.4.2.1.robots介绍1.4.2…

10个黑客基础教程!简单有效

如果你的电脑运行缓慢&#xff0c;请使用下面介绍的方法来帮助加速、优化和提高电脑的性能。 1.关闭启动时自动运行的应用程序 计算机上安装的许多应用程序都可以将自己配置为在启动期间自动启动并继续在后台运行&#xff0c;但是&#xff0c;如果不是每天都使用这些应用程序…

基于vscode创建SpringBoot项目,连接postgresql数据库 2 更简单

1、Vue下载安装步骤的详细教程(亲测有效) 1_水w的博客-CSDN博客 2、Vue下载安装步骤的详细教程(亲测有效) 2 安装与创建默认项目_水w的博客-CSDN博客 3、基于vscode开发vue项目的详细步骤教程_水w的博客-CSDN博客 4、基于vscode开发vue项目的详细步骤教程 2 第三方图标库FontAw…

Spark RDD持久化

RDD Cache缓存 RDD通过Cache或者Persist方法将前面的计算结果缓存&#xff0c;默认情况下会把数据以序列化的形式缓存在JVM的堆内存中。但是并不是这两个方法被调用时立即缓存&#xff0c;而是触发后面的action时&#xff0c;该RDD将会被缓存在计算节点的内存中&#xff0c;并供…

杂记——14.git在idea上的使用及其实际开发介绍

这篇文章我们来讲一下git在idea上的使用&#xff0c;以及在实际开发过程中各个分支的使用及其具体的流程 目录 1.git在idea上的使用 1.1 idea上的git提交 1.2 idea上的分支切换 2.git在实际运用时的分支及其流程 2.1分支介绍 2.2具体流程 3.小结 1.git在idea上的使用 …

GraalVM-云原生时代的JVM(Java)

文章目录一、GraalVM是什么&#xff1f;二、GraalVM有哪些特点&#xff1f;2.1、高性能2.2、多语言支持2.3、互操作性2.4、安全性三、GraalVM的应用效果3.1、提高性能3.2、简化开发3.3、降低成本3.4、节省资源3.5、支持云环境四、使用GraalVM编译springboot应用程序4.1、下载并…

网络应用之表单提交

表单提交学习目标能够知道表单的提交方式能够知道表单中action属性的作用1. 表单属性设置<form>标签 表示表单标签&#xff0c;定义整体的表单区域action属性 设置表单数据提交地址method属性 设置表单提交的方式&#xff0c;一般有“GET”方式和“POST”方式, 不区分大小…