首页 > 资讯 > 数据库 >MySQL索引优化实例分析

295

分享到

MySQL索引优化实例分析

MySQL索引优化 MySQL索引 2022-07-29 16:07:10 295人浏览安东尼

摘要

目录1.数据准备2.实例一3.Mysql如何选择合适的索引？4.常见 sql 深入优化4.1.Order by与Group by优化4.2.分页查询优化4.3.join关联查询优化4.3.1.数据准备4.3.2.mysq

1.数据准备

#1.建立员工表，并创建name,age,position索引，id为自增主键
CREATE TABLE `employees` (
 `id` int(11) NOT NULL AUTO_INCREMENT,
 `name` varchar(24) NOT NULL DEFAULT '' COMMENT '姓名',
 `age` int(11) NOT NULL DEFAULT '0' COMMENT '年龄',
 `position` varchar(20) NOT NULL DEFAULT '' COMMENT '职位',
 `hire_time` timestamp NOT NULL DEFAULT CURRENT_TIMESTAMP COMMENT '入职时间',
 PRIMARY KEY (`id`),
 KEY `idx_name_age_position` (`name`,`age`,`position`) USING BTREE
) ENGINE=InnoDB AUTO_INCREMENT=100010 DEFAULT CHARSET=utf8 COMMENT='员工记录表'

# 2.前面插入三条数据,并建立employees_min_copy表插入这三条数据
INSERT INTO employees (name,age,`position`,hire_time) VALUES 
('LiLei',22,'manager','2021-08-17 21:00:55')
,('HanMeimei',23,'dev','2021-08-17 21:00:55')
,('Lucy',23,'dev','2021-08-17 21:00:55')
;
#3.再通过执行计划向表中插入十万条数据
#3.1建立存储过程，往employees表中插入数据（MySQL8.0版本）
DELIMITER $$
USE `zhebase`$$
DROP PROCEDURE IF EXISTS `BATch_insert_employees`$$
CREATE PROCEDURE `batch_insert_employees`(IN `start_number` BIGINT,IN `counts` BIGINT)
BEGIN 
  DECLARE start_number BIGINT DEFAULT start_number;
  DECLARE stop_number BIGINT DEFAULT start_number;
  SET stop_number=start_number + counts;
  WHILE start_number < stop_number DO
    INSERT INTO employees(name,age,position,hire_time) VALUES(CONCAT('zhang',start_number),start_number,'dev',now());
    SET start_number=start_number+1;
  END WHILE ;
  COMMIT;
END$$
DELIMITER ;

#3.2执行存储过程插入十万条数据
CALL batch_insert_employees(1,100000);

2.实例一

1.联合索引第一个字段用范围不会走索引

EXPLaiN SELECT * FROM employees WHERE name > 'LiLei' AND age = 22 AND position ='manager';

MySQL索引优化实例分析

原因：MySQL 内部可能觉得第一个字段就用范围，结果集应该很大，还需要回表，回表效率不高，不如直接采用全表扫描但是我们可以强制走索引

EXPLAIN SELECT * FROM employees force index(idx_name_age_position) WHERE name > 'LiLei' AND age = 22 AND position ='manager';

MySQL索引优化实例分析

-- 关闭查询缓存
set global query_cache_size=0;
set global query_cache_type=0;
-- 执行时间0.321s
SELECT * FROM employees WHERE name > 'LiLei';
-- 执行时间0.458s
SELECT * FROM employees force index(idx_name_age_position) WHERE name > 'LiLei';

MySQL索引优化实例分析

使用了强制走索引让联合索引第一个字段范围查找也走索引，扫描的行rows看上去也少了点，但是最终查找效率不一定比全表扫描高，因为回表效率不高

对于这种情况，如果可以使用覆盖索引，就使用覆盖索引进行优化

EXPLAIN SELECT name,age,position FROM employees WHERE name > 'LiLei' AND age = 22 AND position ='manager';

MySQL索引优化实例分析

2.in 和 or 在表数据量比较大的情况会走索引，在表记录不多的情况下会选择全表扫描

EXPLAIN SELECT * FROM employees
WHERE name in ('LiLei','HanMeimei','Lucy')
AND age = 22
AND position ='manager';
#表数据量大走索引，数据量小全表扫描
EXPLAIN SELECT * FROM employees
WHERE (name = 'LiLei' or name = 'HanMeimei')
AND age = 22 
AND position ='manager';

MySQL索引优化实例分析

将十万行数据的employees表复制一份插入几行数据，再进行查询

MySQL索引优化实例分析

发现进行了全表扫描

MySQL索引优化实例分析

3.like xx% 无论数据量多少一般情况都会走索引

EXPLAIN SELECT * FROM employees WHERE name like 'LiLei%' AND age = 22 AND position ='manager';

MySQL索引优化实例分析

MySQL 底层使用索引下推（Index Condition Pushdown，ICP） 来对 like xx%进行优化。

索引下推： 对于辅助的联合索引(idx_name_age_position)，通常按照最左前缀原则，SELECT * FROM employees WHERE name like 'LiLei%' AND age = 22 AND position ='manager' 因为在 name 是范围查询，过滤完后，age 和 position 是无序的，后续索引无法使用，只会走name字段索引。

MySQL5.6 以前： 先在索引树中匹配 name 是 'LiLei' 开头的索引，然后根据索引下的主键进行回表操作，在主键索引上在匹配 age 和 position
MySQL 5.6以后： 引入索引下推，先在索引树种匹配 name 是 'LiLei' 开头的索引，同时将该所与树通有的所有条件字段进行判断，过滤掉不符合条件的记录再回表匹配其他条件及查询整行数据。
优点： 过滤掉不符合条件的记录之后再回表，可以有效的减少回表次数，提高查询效率。

MySQL 范围查找为什么没有使用索引下推优化？ 可能因为范围查找结果集一般较大，like xx%在大多数情况下，过滤后结果集较小。而结果集大的时候，每次检索出来都要匹配后面的字段，不一定比立即回表要快。但是也不是绝对的，有些时候 Like xx%也不会走索引下推。

3.MySQL如何选择合适的索引？

先来看两条 SQL 语句：

# MySQL直接使用全表扫描
EXPLAIN select * from employees where name > 'a';
# MySQL走索引
EXPLAIN select * from employees where name > 'zzz';

MySQL索引优化实例分析

我们发现第一条 SQL 进行了全表扫描，第二条 SQL 走了索引。对应第一条SQL，MySQL 通过计算执行成本发现走索引成本比全部扫描更高（走索引需要遍历 name 字段，再进行回表操作查出最终数据，比直接查聚簇索引树更慢)。对于这种情况可以使用覆盖索引进行优化。至于 MySQL 如何选择最终索引，可以用 Trace 工具进行查看。但开启trace工具会影响 MySQL 性能，用完之后需立即关闭。

#开启trace
set session optimizer_trace="enabled=on",end_markers_in_JSON=on; 
#关闭trace
set session optimizer_trace="enabled=off";
#使用trace
select * from employees where name > 'a' order by position;
select * from infORMation_schema.OPTIMIZER_TRACE;

MySQL索引优化实例分析

下面是执行后的Trace中的内容：

{
 "steps": [
  {
   #第一阶段：SQL准备阶段，格式化sql
   "join_preparation": {
    "select#": 1,
    "steps": [
     {
      "expanded_query": " select `employees`.`id` AS `id`,`employees`.`name` AS `name`,`employees`.`age` AS `age`,`employees`.`position` AS `position`,`employees`.`hire_time` AS `hire_time` from `employees` where (`employees`.`name` > 'a') order by `employees`.`position` limit 0,200"
     }
    ] 
   } 
  },
  {
   #第二阶段：SQL优化阶段
   "join_optimization": {
    "select#": 1,
    "steps": [
     {
      #条件处理
      "condition_processing": {
       "condition": "WHERE",
       "original_condition": "(`employees`.`name` > 'a')",
       "steps": [
        {
         "transformation": "equality_propagation",
         "resulting_condition": "(`employees`.`name` > 'a')"
        },
        {
         "transformation": "constant_propagation",
         "resulting_condition": "(`employees`.`name` > 'a')"
        },
        {
         "transformation": "trivial_condition_removal",
         "resulting_condition": "(`employees`.`name` > 'a')"
        }
       ] 
      } 
     },
     {
      "substitute_generated_columns": {
      } 
     },
     {
      #表依赖详情
      "table_dependencies": [
       {
        "table": "`employees`",
        "row_may_be_null": false,
        "map_bit": 0,
        "depends_on_map_bits": [
        ] 
       }
      ] 
     },
     {
      "ref_optimizer_key_uses": [
      ] 
     },
     {
      #预估表的访问成本
      "rows_estimation": [
       {
        "table": "`employees`",
        "range_analysis": {
         "table_scan": { --全表扫描情况
          "rows": 93205, --扫描行数
          "cost": 9394.9 --查询成本
         } ,
         #查询可能使用的索引
         "potential_range_indexes": [
          {
           "index": "PRIMARY", --主键索引
           "usable": false, -- 是否使用
           "cause": "not_applicable"
          },
          {
           #辅助索引
           "index": "idx_name_age_position",
           "usable": true,
           "key_parts": [
            "name",
            "age",
            "position",
            "id"
           ] 
          }
         ] ,
         "setup_range_conditions": [
         ] ,
         "group_index_range": {
          "chosen": false,
          "cause": "not_group_by_or_distinct"
         } ,
         "skip_scan_range": {
          "potential_skip_scan_indexes": [
           {
            "index": "idx_name_age_position",
            "usable": false,
            "cause": "query_references_nonkey_column"
           }
          ] 
         } ,
         #分析各个索引使用成本
         "analyzing_range_alternatives": {
          "range_scan_alternatives": [
           {
            "index": "idx_name_age_position",
            "ranges": [
             "a < name" --索引使用范围
            ] ,
            "index_dives_for_eq_ranges": true, 
            "rowid_ordered": false, --使用该索引获取的记录是否按照主键排序
            "using_mrr": false, 
            "index_only": false, --是否使用覆盖索引
            "rows": 46602, --索引扫描行数
            "cost": 16311, --索引使用成本
            "chosen": false, --是否选择该索引
            "cause": "cost"
           }
          ] ,
          "analyzing_roWorder_intersect": {
           "usable": false,
           "cause": "too_few_roworder_scans"
          } 
         } 
        } 
       }
      ] 
     },
     {
      "considered_execution_plans": [
       {
        "plan_prefix": [
        ] ,
        "table": "`employees`",
        "best_Access_path": { --最优访问路径
         "considered_access_paths": [ --最终选择的访问路径
          {
           "rows_to_scan": 93205,
           "filtering_effect": [
           ] ,
           "final_filtering_effect": 0.5,
           "access_type": "scan", --访问类型：为scan，全表扫描
           "resulting_rows": 46602,
           "cost": 9392.8,
           "chosen": true --确定选择
          }
         ] 
        } ,
        "condition_filtering_pct": 100,
        "rows_for_plan": 46602,
        "cost_for_plan": 9392.8,
        "chosen": true
       }
      ] 
     },
     {
      "attaching_conditions_to_tables": {
       "original_condition": "(`employees`.`name` > 'a')",
       "attached_conditions_computation": [
        {
         "table": "`employees`",
         "rechecking_index_usage": {
          "recheck_reason": "low_limit",
          "limit": 200,
          "row_estimate": 46602
         } 
        }
       ] ,
       "attached_conditions_summary": [
        {
         "table": "`employees`",
         "attached": "(`employees`.`name` > 'a')"
        }
       ] 
      } 
     },
     {
      "optimizing_distinct_group_by_order_by": {
       "simplifying_order_by": {
        "original_clause": "`employees`.`position`",
        "items": [
         {
          "item": "`employees`.`position`"
         }
        ] ,
        "resulting_clause_is_simple": true,
        "resulting_clause": "`employees`.`position`"
       } 
      } 
     },
     {
      "reconsidering_access_paths_for_index_ordering": {
       "clause": "ORDER BY",
       "steps": [
       ] ,
       "index_order_summary": {
        "table": "`employees`",
        "index_provides_order": false,
        "order_direction": "undefined",
        "index": "unknown",
        "plan_changed": false
       } 
      } 
     },
     {
      "finalizing_table_conditions": [
       {
        "table": "`employees`",
        "original_table_condition": "(`employees`.`name` > 'a')",
        "final_table_condition  ": "(`employees`.`name` > 'a')"
       }
      ] 
     },
     {
      "refine_plan": [
       {
        "table": "`employees`"
       }
      ] 
     },
     {
      "considering_tmp_tables": [
       {
        "adding_sort_to_table_in_plan_at_position": 0
       } 
      ] 
     }
    ] 
   } 
  },
  {
   #第三阶段：SQL执行阶段
   "join_execution": {
    "select#": 1,
    "steps": [
     {
      "sorting_table_in_plan_at_position": 0,
      "filesort_information": [
       {
        "direction": "asc",
        "table": "`employees`",
        "field": "position"
       }
      ] ,
      "filesort_priority_queue_optimization": {
       "limit": 200,
       "chosen": true
      } ,
      "filesort_execution": [
      ] ,
      "filesort_summary": {
       "memory_available": 262144,
       "key_size": 40,
       "row_size": 186,
       "max_rows_per_buffer": 201,
       "num_rows_estimate": 285696,
       "num_rows_found": 100003,
       "num_initial_chunks_spilled_to_disk": 0,
       "peak_memory_used": 38994,
       "sort_alGorithm": "std::stable_sort",
       "unpacked_addon_fields": "using_priority_queue",
       "sort_mode": "<fixed_sort_key, additional_fields>"
      } 
     }
    ] 
   } 
  }
 ] 
}

由 Trace字段可知，全表扫描的 cost_for_plan = 9394.9 小于使用索引 cost_for_plan = 16311，故最终选择全表扫描。

4.常见 SQL 深入优化

4.1.Order by与Group by优化

# 案例1
explain select * from employees where name = 'Lucy' and position = 'dev' order by age;

分析： 案例1 由最左前缀法则分析出索引中间不能出现断层，只使用了 name 索引前缀，也可以从key_len = 3n + 2 看出。age 索引列用在排序过程中，因为Extra字段里没有 Using filesort 而是 Using index condition 。

MySQL索引优化实例分析

#案例2
explain select * from employees where name = 'Lucy'  order by position;

分析： 案例2 索引查询使用了 name 索引前缀，但排序由于跳过了 age 所以Extra字段出现了 Using filesort 。

#案例3
explain select * from employees where name = 'Lucy' order by age, position;

MySQL索引优化实例分析

分析： 案例3 查询时使用了 name 索引，age 和 postion 用于排序，不会出现 Using filesort

#案例4
explain select * from employees where name = 'Lucy' order by position,age;

MySQL索引优化实例分析

分析： 案例4 查询时使用了 name 索引，age 和 postion 顺序与创建索引树不一致，出现了 Using filesort

MySQL索引优化实例分析

#案例5
explain
select * from employees
where name = 'Lucy'
and age = 22
order by position,age;

MySQL索引优化实例分析

分析： 案例5 查询时使用了 name 索引，age 和 postion 顺序与创建索引树不一致，但 name、age 为常量，MySQL 会自动优化，不会出现 Using filesort

#案例6
explain select * from employees where name = 'Lucy' order byage,position desc;

MySQL索引优化实例分析

分析： 案例6 排序顺序一样，但 order by 默认升序，导致与索引的排序方式不同，出现了 Using filesort 。 MySQL8.0 以上版本有降序索引可以支持这种查询。

#案例7
explain select * from employees where name = 'Lucy' or name = 'LiLei' order by age;

MySQL索引优化实例分析

分析： 案例7 对于排序来说，多个相等条件也是范围查询，出现了 Using filesort 。

#案例8
#SQL-1
explain select * from employees where name > 'zzz' order by name;
#SQL-2
explain select * from employees where name > 'a' order by name;

MySQL索引优化实例分析

分析： 案例8 原因同前面的例子，可以使用覆盖索引优化。

MySQL排序总结：

1、MySQL支持两种方式的排序 filesort 和 index，Using index是指MySQL扫描索引本身完成排序。Using filesort 是指MySQL扫描聚簇索引（整张表）进行排序。index效率高，filesort效率低。

2、order by 满足两种情况会使用 Using index（不绝对）

a.order by 语句使用索引最左前列。
b.使用 where 子句与 order by 子句条件列组合满足索引最左前列。

3、尽量在索引列上完成排序，遵循最左前缀法则。

4、如果 order by 的条件不在索引列上，就会产生Using filesort。

5、能用覆盖索引尽量用覆盖索引

6、group by 与 order by 很类似，其实质是先排序后分组（group by 底层：先执行一次 order by 再进行分组），遵照索引创建顺序的最左前缀法则。对于group by的优化如果不需要排序的可以加上order by null 禁止排序。注意，where高于having，能写在where中的限定条件就不要去having限定了。

Using filesort 文件排序原理 filesort文件排序方式有：

单路排序：是一次性取出满足条件行的所有字段，然后在 sort buffer 中进行排序。用trace工具得到sort_mode信息显示< sort_key, additional_fields >或者< sort_key, packed_additional_fields >
双路排序（又叫回表排序模式） ：先根据相应的条件取出相应的排序字段和可以直接定位行数据的行 ID，然后在 sort buffer 中进行排序，排序完后需要再次取回其它需要的字段。用trace工具得到sort_mode信息显示< sort_key, rowid >

MySQL 通过比较系统变量 max_length_for_sort_data(默认1024字节) 的大小和需要查询的字段总大小来判断使用哪种排序模式。

字段的总长度 < max_length_for_sort_data ，使用单路排序
字段的总长度 >max_length_for_sort_data ，使用双路排序

 select * from employees where name = 'Lucy' order by position;

"join_execution": {  --Sql执行阶段
    "select#": 1,
    "steps": [
     {
      "filesort_information": [
       {
        "direction": "asc",
        "table": "`employees`",
        "field": "position"
       }
      ] ,
      "filesort_priority_queue_optimization": {
       "usable": false,
       "cause": "not applicable (no LIMIT)"
      } ,
      "filesort_execution": [
      ] ,
      "filesort_summary": {           --文件排序信息
       "rows": 10000,              --预计扫描行数
       "examined_rows": 10000,         --参与排序的行
       "number_of_tmp_files": 3,        --使用临时文件的个数，如果为0代表全部使用的sort_buffer内存排序，否则使用的磁盘文件排序
       "sort_buffer_size": 262056,       --排序缓存的大小，单位Byte
       "sort_mode": "<sort_key, packed_additional_fields>"    --排序方式，此处是路排序
      } 
     }
    ] 
   }

单路排序会把所有需要查询的字段都放到 sort buffer 中排序，而双路排序只会把主键和需要排序的字段放到 sort buffer 中进行排序，然后再通过主键回到原表查询需要的字段。

单路排序过程：

a.从索引 name 找到第一个满足 name = 'Lucy' 条件的主键 id
b.回表根据主键 id 取出整行，取出所有字段的值，存入 sort_buffer 中
c.从索引name找到下一个满足 name = 'Lucy' 条件的主键 id
d.重复步骤 2、3 直到不满足 name = 'Lucy'
e.对 sort_buffer 中的数据按照字段 position 进行排序
f.返回结果

双路排序过程：

a.从索引 name 找到第一个满足 name ='Lucy' 的主键 id
b.根据主键 id 取出整行，把排序字段 position 和主键 id 这两个字段放到 sort buffer 中
c.从索引 name 取下一个满足 name = 'Lucy' 记录的主键 id
d.重复 3、4 直到不满足 name = 'Lucy'
e.对 sort_buffer 中的字段 position 和主键 id 按照字段 position 进行排序
f.遍历排序好的 id 和字段 position，按照 id 的值回到原表中取出所有字段的值返回

4.2.分页查询优化

 select * from employees limit 10000,10

这条 SQL 语句实际查询了 10010 条记录，然后丢弃了前面的 10000 条记录，所以，在数据量很大时，执行效率是非常非常低的。一般需要对分页查询进行优化。优化方法： 1.根据自增且连续的主键排序的分页查询

 select * from employees where id > 90000 limit 5;

当一个表的主键连续且自增时，可以使用该方法进行优化，但如果自增不连续会造成数据丢失。

2.根据非主键字段排序的分页查询

#优化前
select * from employees ORDER BY name limit 90000,5;
#优化后
select * from employees e 
inner join (select id from employees order by name limit 90000,5) ed 
on e.id = ed.id;

先通过排序和分页操作先查出主键，然后根据主键查出对应的记录。

MySQL索引优化实例分析

4.3.join关联查询优化

4.3.1.数据准备

#示例表
# 创建t1,t2表，主键id,单值索引a
CREATE TABLE `t1` (
 `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;
create table t2 like t1;
#存储过程往t1,t2表插入数据
DELIMITER $$
USE `zhebase`$$
DROP PROCEDURE IF EXISTS `batch_insert_t1`$$
CREATE PROCEDURE `batch_insert_t1`(IN `start_number` BIGINT,IN `counts` BIGINT)
BEGIN 
  DECLARE start_number BIGINT DEFAULT start_number;
  DECLARE stop_number BIGINT DEFAULT start_number;
  SET stop_number=start_number + counts;
  WHILE start_number < stop_number DO
    INSERT INTO t1(a,b) VALUES(start_number,start_number); 
    SET start_number=start_number+1; 
  END WHILE ; 
  COMMIT; 
END$$
DELIMITER ;
DELIMITER $$
USE `zhebase`$$
DROP PROCEDURE IF EXISTS `batch_insert_t2`$$
CREATE PROCEDURE `batch_insert_t2`(IN `start_number` BIGINT,IN `counts` BIGINT)
BEGIN 
  DECLARE start_number BIGINT DEFAULT start_number;
  DECLARE stop_number BIGINT DEFAULT start_number;
  SET stop_number=start_number + counts;
  WHILE start_number < stop_number DO
    INSERT INTO t2(a,b) VALUES(start_number,start_number); 
    SET start_number=start_number+1; 
  END WHILE ; 
  COMMIT; 
END$$
DELIMITER ;
#执行存储过程往t1表插入10000条记录,t2表插入100条记录
CALL batch_insert_t1(1,10000);
CALL batch_insert_t2(1,100);

4.3.2.MySQL 表关联常见的两种算法

嵌套循环连接 Nested-Loop Join(NLJ) 算法
基于块的嵌套循环连接 block Nested-Loop Join(BNL)算法
MySQL对于被驱动表的关联字段没索引的关联查询，一般都会使用 BNL 算法。如果有索引一般选择 NLJ 算法，有索引的情况下 NLJ 算法比 BNL算法性能更高

1.嵌套循环连接 Nested-Loop Join(NLJ) 算法 原理：一次一行循环地从第一张表（驱动表）中读取行，在这行数据中取到关联字段，根据关联字段在另一张表（被驱动表）里取出满足条件的行，然后取出两张表的结果合集。

explain select * from t1 inner join t2 on t1.a= t2.a;

MySQL索引优化实例分析

从执行计划可以了解的信息：

a.驱动表是 t2，被驱动表是 t1( inner join 时 SQL优化器会小表驱动大表，外连接则根据连接类型区分）
b.使用了 NLJ 算法。如果执行计划 Extra 中未出现 Using join buffer 则表示使用的 join 算法是 NLJ

整个过程会读取 t2 表的所有数据(扫描100行)，然后遍历这每行数据中字段 a 的值，根据 t2 表中 a 的值索引扫描 t1 表中的对应行(扫描100次 t1 表的索引，1次扫描可以认为最终只扫描 t1 表一行完整数据，也就是总共 t1 表也扫描了100行)。因此整个过程扫描了 200 行 。

2. 基于块的嵌套循环连接 Block Nested-Loop Join(BNL)算法 原理：把驱动表的数据读入到 join_buffer 中，然后扫描被驱动表，把被驱动表每一行取出来跟 join_buffer 中的数据做对比

explain select * from t1 inner join t2 on t1.b= t2.b;

MySQL索引优化实例分析

整个过程对表 t1 和 t2 都做了一次全表扫描，因此扫描的总行数为10000(表 t1 的数据总量) + 100(表 t2 的数据总量) = 10100。并且 join_buffer 里的数据是无序的，因此对表 t1 中的每一行，都要做 100 次判断，所以内存中的判断次数是 100 * 10000= 100 万次（非扫描次数） 。 注意： join_buffer 的大小是由参数 join_buffer_size 控制，默认256k。如果 t2 放不下就会使用分段策略（先从 t2 表取出部分数据，比对完就清空 join_buffer，再重新拿出来余下的部分进行比对）。

被驱动表的关联字段无索引为什么要选择使用 BNL 算法而不使用 NLJ 算法？ 如第二条 SQL，如果使用 NLJ 算法扫描行数为 100 * 10000 = 100万，这个是磁盘扫描。使用 BNL 算法仅需扫描 100100 行。

对于表关联 SQL 的优化

尽量少关联（在阿里规范中，关联表不能超过三种，可以后端代码单独查询，循环关联）
小表驱动大表，写多表连接 SQL 时如果明确知道哪张表是小表可以用straight_join写法固定连接驱动方式，节约 MySQL 优化器判断时间.select * from t2 straight_join t1 on t2.a = t1.a; 代表指定mysql选着 t2 表作为驱动表
关联字段加索引，大表关联字段一定要加索引，尽量使得 MySQL 在进行 join 操作时选择NLJ算法
多表连接是非常难以优化的，最好95%的场景都使用单表来完成，复杂场景交个Java代码，大规模计算交给大数据工具，无需效率才考虑连接

4.4.in和exsits优化

原则：小表驱动大表

# in 先执行括号里面的
select * from A where id in (select id from B) 
#exists 先执行括号外面的
#select * 可以用 select 1 替换，没有区别
#exists 子查询内部会进行优化，并非逐条对比
#exists 子查询往往也可以用 jion 来代替，何种最优需要具体问题具体分析
select * from A where exists (select 1 from B where B.id = A.id)

4.5.count(*)查询优化

注意：根据某个字段 count 不会统计字段为 null 的行

#扫描二级索引，按行累加
explain select count(1) from employees;
#扫描辅助索引按行累加（辅助索引比聚簇索引小）
explain select count(id) from employees;
#把 name 拿到内存，不为 null 就累加
explain select count(name) from employees;
#不取值，按行累加
explain select count(*) from employees;

四条语句的效率几乎可以忽略，效率对比如下： 字段有索引： count(* )≈count(1)>count(字段)>count(主键 id) 段)>count(主键 id) 字段无索引： count(*)≈count(1)>count(主键 id)>count(字段)

常见优化方法：

1.对于 MyISAM 存储引擎的表做不带 where 条件的 count 查询性能是很高的，数据总行数直接写在磁盘上，查询不需要计算。innodb 存储引擎的表则不会记录(因为有mvcC机制)
2.对与不用知道确切行的可以直接使用show table status，它是一个估值，使用该查询效率很高
3.将总数维护到 Redis 里面，插入或删除表数据行的时候同时维护 Redis 里的表总行数 key 的计数值(用 incr 或 decr 命令)，但是这种方式可能不准，很难保证表操作和Redis 操作的事务一致性。
4.增加数据库计数表，插入或删除表数据行的时候同时维护计数表，且它们在同一个事务里操作

5.索引设计原则

1、代码先行，索引后上，先开发完主体业务代码，再把涉及到该表相关sql都要拿出来分析之后再建立索引。
2、联合索引尽量覆盖条件，可以设计一个或者两三个联合索引(单值索引要少建)，让每一个联合索引都尽量去包含SQL语句里的 where、order by、group by 的字段，且这些联合索引字段顺序尽量满足 SQL查询的最左前缀原则。
3、不要在小基数字段上建立索引，无法进行快速的二分查找，不能能发挥出B+树快速二分查找的优势来，没有意义
4、尽量对字段类型较小的列设计索引，尽量对字段类型较小的列设计索引，比如 Tinyint 之类，字段类型较小的话，占用磁盘空间小，搜索的时性能更好。
5、长字符串可以采用前缀索引，比如针对某个字段的前20个字符建立索引，即：每个值的前20个字符放入索引树中，搜索时会先匹配前而是个字符，再回表到聚簇索引取出来完整的 name 字段值进行比较。但排序（order by 和 group by）时无法使用该索引。
6、where 与 order by 冲突时优先 where，大多数情况下根据索引进行 where 筛选一般筛选出来的数据比较少，然后做排序成本会更低。
7、基于慢SQL查询做优化，可以根据监控后台的一些慢SQL，针对这些慢 SQL 查询做特定的索引优化（MySQL有提供，只需设置具体参数）。