一、limit优化
之前的member会员表，联合索引为KEY `idx_name_age_address` (`name`,`age`,`address`)，表里插入了十万条数据，一般情况下分页查询的sql语句：
select * from member limit 90000,10;
explain select * from member limit 90000,10;
执行计划是全表扫描，底层执行过程：首先，如果没有排序字段，默认按照id进行排序，查询前90010条件数据出来，然后去掉前面90000条件数据，最后剩下的10条就是查询结果，其实这种随着数据量越来越大，越往后面翻页，一次查询的数据只会多不会少，这样查询就会存在问题
1、根据自增主键排序
select * from member where id > 90000 limit 10;
explain select * from member where id > 90000 limit 10;
执行计划显示出使用了主键id索引的范围查询，这种情况，如果中间id有断层，查询的数据就会有问题；比如id为1的被删除了，理论上就会是id为90002的开始到90011结束，但是如果使用id筛选过滤的话就会有问题，具体体现如下（把id为1的数据删了）：
select * from member limit 90000,10;
select * from member where id > 90000 limit 10;
2、根据普通索引字段排序分页查询
这个时候就需要对sql再做一些优化，根据二级索引b+树的结构，先根据字段排好序（一般情况下不会根据id排序），分页查出前10条数据的id，这样就可以避免回表而使用到了覆盖索引，接着再根据这些id关联查询出来的就是结果集
select * from member t1 inner join (select id from member order by name limit 90000,10) t2 on t1.id = t2.id;
explain select * from member t1 inner join (select id from member order by name limit 90000,10) t2 on t1.id = t2.id;根据最左前缀的字段name进行排序分页查询的结果如下：
查询计划首先是id为2的先执行，类型为衍生查询，使用了覆盖索引，三个索引字段都用到了，并且使用了索引排序；第二执行是table为<derived2>执行，虽然是全表扫描，但是只有10个id结果集而已；第三执行的是table为t1的执行，查询类型为eq_ref，使用了主键关联，所以整个过程是相当快的
二、join优化
#创建表
CREATE TABLE `table1` (
`id` int(11) NOT NULL AUTO_INCREMENT,
`a` int(11) DEFAULT NULL,
`b` int(11) DEFAULT NULL,
PRIMARY KEY (`id`),
KEY `idx_a` (`a`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8;
#创建一个和table1一样的表
create table table2 like table1;
drop procedure if exists insert_table1;
CREATE PROCEDURE insert_table1 () BEGIN
DECLARE
i INT;
SET i = 1;
WHILE
( i <= 100000 ) DO
INSERT INTO table1 ( a, b )
VALUES
( i, i );
SET i = i + 1;
END WHILE;
END;
drop procedure if exists insert_table2;
CREATE PROCEDURE insert_table2 () BEGIN
DECLARE
i INT;
SET i = 1;
WHILE
( i <= 100 ) DO
INSERT INTO table2 ( a, b )
VALUES
( i, i );
SET i = i + 1;
END WHILE;
END;
call insert_table1();
call insert_table2();有两个表table1和table2，table1有100000条数据，table2有100条数据，索引字段也都是a，b就是普通字段
1、嵌套循环连接Nested-Loop Join（NLJ）算法
EXPLAIN select * from table1 t1 inner join table2 t2 on t1.a = t2.a;
执行过程：根据执行计划，首先执行的是table列为t2的，进行的是全表扫描；然后执行的是table为t1，是索引进行关联，table2是驱动表，table1是被驱动表；t2是索引关联查询，只是在索引树上查找到主键，然后回表一次，table2全表扫描一行数据，table1跟着全表扫描一行数据，执行过程我画了张草图
2、基于块的嵌套循环Block Nested-Loop Join（BNL）算法
EXPLAIN select * from table1 t1 inner join table2 t2 on t1.b = t2.b;mysql8.0之前执行的结果图
mysql8.0执行结果图
执行过程：table列值为t2的先执行，t2作为驱动表用的全表扫描，扫描了100行放到join_buffer中（放得下的情况，如放不下就分批），接着table1全表扫描100000行去join_buffer中进行数据匹配，匹配成功返回，下面的图是对这段话的说明：
show variables like '%join_buffer_size%';#查看join_buffer大小对于驱动表的定义：join连接数据量较少的表，也可以使用straight_join指定驱动表，但不适用于left join和right join，因为它们已经指定了驱动表，straight_join用法：
select * from table1 t1 straight_join table2 t2 on t1.b = t2.b;假设字段无索引还使用了NLJ算法，总共就会扫描100000*100行，table2扫描一行数据到table1表遍历查询，因为没有走索引，这个过程是非常慢的，table2表每扫描一行就要去table1去遍历扫描，单次最坏的情况要十万次才找到结果集，所以就是100000*100次行扫描
一般情况下如果对性能有比较高的要求的系统，都不推荐使用join关联，如果非要用最好不要超过三个，优化起来比较困难，优化原理，小表驱动大表，join连接字段大表最好建有索引
三、in和exists
1、in的查询优化
小表驱动大表
#table1十万条数据 table2一百条数据
EXPLAIN select * from table1 where id in (select id from table2);#正确示例
EXPLAIN select * from table2 where id in (select id from table1);#错误示例
table2是驱动表，走的是普通索引，因为id在二级索引树上就可以找到，所以选择普通索引；table1使用的是主键关联查询，直接就可以在主键索引树上获取数据；
第二种可能是mysql做的优化，table2数据量比较少，虽然位置放的不合理，还是用table2作为驱动表，先进性table2的全表扫描，比之前的慢一点，之后的差不多
2、exists查询优化
如果能用in就不要用exists
explain select * from table2 t2 where exists (select * from table1 t1 where t1.id = t2.id);#正确示例
explain select * from table1 t1 where exists (select * from table2 t2 where t2.id = t1.id);#错误示例
第一条sql，t2作为驱动表，虽然是全表扫描，但是数据量没有t1那么多，然后再用t1主键关联，这个和in位置写错了差不多
第二条sql，t1全表扫描，t1十万条数据，显然这个是很慢的，然后主键关联肯定时间也长
四、count查询优化
count(*),count(1),count(id),count(字段)
count的不同写法，要说快慢其实差不多，具体要分两种情况，一种是字段有索引，一种是字段无索引
1、有索引
count(*)≈count(1)>count(字段)>count(id)
count(*)的执行过程，底层不取值，按行累加
count(1)和count(字段)差不多，count(1)不需要取出字段值，就按照常量1做统计，count(字段还需要取值)，count(1)要比count(字段要快)
count(字段)比count(id)要快，因为字段有索引情况下，二级索引比主键索引树数据少，扫描效率肯定快
2、无索引
count(*)≈count(1)>count(id)>count(字段)
上面已经说明count(*)和count(1)，而count(id)和count(字段)，没有索引自然count(id)要快，毕竟是在索引树上进行的内存操作
EXPLAIN select count(*) from member;
EXPLAIN select count(1) from member;
EXPLAIN select count(id) from member;
EXPLAIN select count(name) from member;
为什么count(id)也用到了二级索引，因为二级索引树的叶子节点数据量少，可能mysql底层也做了优化
3、优化方法
- myisam类型表的总行数
myisam存储引擎的表会把总记录数维护在磁盘上
EXPLAIN select count(*) from test_myisam;
innodb为什么不也设置一个总行数呢，因为myisam不支持事务，innodb需要支持事务，如果维护了，代价高
- show table status
show table status like 'member';
对member表的总行的估值
- 将总行数维护到redis中
在数据删除和新增时，往redis中进行表key值加减，但是无法保证一致性
- 增加表维护总行数
新增一个表table_count，存表明和这个表的行数，新增和删除时进行表table_count数据的更改，这样就可以事务的一致性了
五、mysql数据类型选择
1、数值类型
| 类型 | 大小 |
| TINYINT | 1字节 |
| SMALLINT | 2字节 |
| INT | 4字节 |
| BIGINT | 8字节 |
| FLOAT | 4字节 |
| DOUBLE | 8字节 |
| DECIMAL | DECIMAL(M,D) ，如果M>D，为 M+2否则为D+2 |
如果整型没有负数，可以指定字段为无符号类型
对精度有要求，字段要设置成DECIMAL
2、时间类型
| 类型 | 大小 |
| DATE | 3字节 |
| TIME | 3字节 |
| YEAR | 1字节 |
| DATETIME | 8字节 |
| TIMESTAMP | 4字节 |
如果只是日期，那就选date类型，这样可以减小筛选的粒度
datetime类型最大值是9999-12-31 23:59:59，而timestamp类型最大值是2038-01-19 03:14:07，衡量之后再做选择
3、字符串类型
| 类型 | 大小 |
| CHAR | 0-255字节 |
| VARCHAR | 0-65535 字节 |
| TINYBLOB | 0-255字节 |
| TINYTEXT | 0-255字节 |
| BLOB | 0-65535字节 |
| TEXT | 0-65535字节 |
如果已经确定了字符长度最好用char类型，比如char(4)，而只存了一个a，就会在后面补空格，查询出来，mysql会帮你去空格，这样查询也会耗费性能；
如果是tinyint(4)就会进行0填充，加入存了一个2，结果就是0002，查询会去零，括号里的只是显示宽度
blob字段分开一个表存，只存id和blob内容就行，保证两个表的的双写一直就可以，这样可以减少主键索引的空间，提高查询速度
