图片来自 Pexels
具体 sql 如下:
- select * from t_record where age > 10 offset 10000 limit 10
下表所示为表 t_record 结构,为了简单起见,只列了我们将讨论的字段,其余字段省略。
其中 t_record 是要查询的数据表,表中一共有 50000 条记录,age 字段上有索引,且 age>10 的记录有 20000 条。
这条语句非常慢,基本达到了秒级延迟,在第二次请求有缓存之后,才变快。
在数据量这么少的情况下,走索引还这么慢,这完全不能接受,我就问我导师为什么,他反问“索引场景,MySQL 中获得第 n 大的数,时间复杂度是多少?”
答案的追寻
①小白直觉作答
当时只知道 MySQL 索引使用的是树,瞎猜了个 O(logn),心想二叉树找一个节点不就是 O(logn) 么。自然而然,导师白了一眼,让我自己去研究。
②继续解答
想来想去...只能从底层结构分析了,MySQL 的索引是 B+ 树。仔细想一下,就会发现通过索引去找很别扭。
因为你不知道前 n 个数在其他子树的分布情况,也没有标记让你能快速选择去哪个子树寻找,我们无法利用 B+ 树分支过滤的查找特性。
这下我明白导师的用意了——offset n,就是从第 n 大的数开始找!第 n 大的数没法使用树分支查找,所以 offset,也不能!
回到我们一开始的问题:
- select * from t_record where age > 10 offset 10000 limit 10
通过二级索引 age,我们只能找到对应的起始节点,但无法通过树结构过滤掉 10000 个节点,再获取 10 个节点,因为我们无法知道某个子树下有多少数据,就无法通过分支进行排除。
那该怎么办呢?我们来仔细看下 B+ 树的结构,它不光有常规树的分支结构,底部还有一个由叶子节点组成链表。
显而易见,最方便最快的方式,就是用树定位到起始位置,然后直接通过叶子节点组成的链表,以 O(n) 的复杂度找到第 n 大的数据。
回到我们最初的问题,总结一下:问题的本质其实就是让 offset 找到第 n 大的数,再通过链表遍历,在数据量很大的情况下,确实会慢。
但是即使是 O(n),也不至于仅有几万数据就慢得令人发指。是不是还有其他影响因素?
③系统学习
我决定深入研究,带着问题去查找了很多资料。
这里推荐两本书,一本《MySQL 技术内幕 InnoDB 存储引擎》,通过它可以对 InnoDB 的底层机制,如 ACID、MVCC、索引实现、文件存储,有更深的理解。
第二本是《高性能 MySQL》,这本书从使用层面着手,讲得比较深入,并提到了很多设计和优化的思路,对日常工作和学习都有很大的帮助。
两本书相结合,反复领会,MySQL 就差不多能登堂入室了。
针对我们的问题,这里介绍两个相关的概念:
- 聚簇索引:包含主键索引和对应的实际数据,索引的叶子节点就是数据节点。
- 辅助索引:也叫二级节点,其叶子节点还是索引节点,并没有完整的数据,仅包含了索引值本身和主键 id,用主键 id 反查聚蔟索引才能获取完整数据。
如图所示,offset 会先从二级索引的链表顺序找 10000 个节点。
注意,即使这 10000 个节点会被扔掉,MySQL 也会通过二级索引上的主键 id,去聚簇索引上查一遍数据,这可是 10000 次随机 IO,自然慢成哈士奇。
大家读到这里可能会提出疑问,为什么 MySQL 会有这种行为?
这和它的优化器有关系,也算是 MySQL 的一个大坑,时至今日,也没有优化。
问题的解决
针对分页性能问题,《高性能 MySQL》中提到了两种方案,让我们一起来看看:
方案一:产品上绕过
根据业务实际需求,看能否替换为上一页、下一页的功能,这样子就可以通过和上次返回数据进行比较,搭上树分支过滤的便车。
特别在 iOS,Android 端,以前那种完全的分页是不常见的。即转换为如下 sql,第一次 last_id 传 0 即可。
- select * from t_record where id > last_id limit 10
优点:
- 能利用树的分支结构,过滤掉第 n 个数之前的数据集。
- 直接通过主键索引查找,省略了二级索引查找过程,性能会更高。
缺点:
- 使用场景其实是受限制的。比如,如果是针对 age 字段有条件判断,再分页,那么使用主键 id 查找就不满足需求。
- 把主键 id 暴露出去了,这个本身不应该是业务层面关心的字段。
可以看到,该方案在我们的场景中,是不适用的。
因为我们还有 age 做过滤条件,此时用大于主键 id 的方式,虽然看起来变成顺序 IO 了,但由于是根据主键 id 排列来寻找,而不是根据需要的 age 索引,所以会导致 MySQL 去查更多的数据。
虽然不符合我们案例的需求,但还是来看看优缺点:
方案二:正面刚
这里先介绍一个概念:索引覆盖。当辅助索引查询的数据只有主键 id 和辅助索引本身,那么就不必再去查聚簇索引。
思路如下:
- select * from t_record id in
- (select id from t_record where age > 10 offset 10000 limit 10)
这句话是说,先从条件查询中,查找数据对应的数据库唯一 id 值,因为主键在辅助索引上就有,所以不用回归到聚簇索引的磁盘上拉取。
如此以来,offset 部分均不需要去反查聚蔟索引,只有 limit 出来的 10 个主键 id 会去查询聚簇索引,这样只会十次随机 IO。
在业务确实需要用分页的情况下,使用该方案可以大幅度提高性能。通常能满足性能要求。
优点:
- 维持了分页需求,适用所有 limit offset 场景,大大减少随机 IO,提高了性能。
- 二级索引上,只查找 id,传输的数据包也变小。
缺点:二级索引上还是会走下面的链表来遍历,这部分时间复杂度还是 O(n)。
方案选型
如果产品本身的需求,是分上下页,且没用其他过滤条件,可以用方案一。
方案二更具有普适性,同时由于合理分表的大小,一般也就 500w,二级索引上 O(n) 的查找损耗,通常也在可接受范围。
总结
从一个小问题,往下深究,不仅可以深入理解这个问题,在面试和工作中大放异彩,同时在探索的过程中,自身的知识储备也能得到拓展,是技术的一个提升捷径。
作者:牛牛码特
编辑:陶家龙
出处:转载自公众号牛牛码特(ID:niuniu_mart)