mysql索引

索引与外键

普通索引：

这是最基本的索引，它没有任何索引，只是为了加快查询速度。

唯一索引

它与前面的普通索引类似，不同的就是：索引列的值必须唯一，但允许有空值。如果是组合索引，则列值的组合必须唯一。

主键索引

它是一种特殊的唯一索引，不允许有空值。一般是在建表的时候同时创建主键索引

要求：
一张表只允许一个主键
主键要求自增

组合索引

多个字段建立索引。

全文索引

fulltext
MyISAM引擎支持。

外键

注意：
1、引擎必须一样。

2、字段类型必须一样

3、长度必须一样

4、存储范围也必须一样

5、约束字段必须在被引用的字段中存在。

索引的不足之处

上面都在说使用索引的好处，但过多的使用索引将会造成滥用。因此索引也会有它的缺点：

◆虽然索引大大提高了查询速度，同时却会降低更新表的速度，如对表进行INSERT、UPDATE和DELETE。因为更新表时，MySQL不仅要保存数据，还要保存一下索引文件。

◆建立索引会占用磁盘空间的索引文件。一般情况这个问题不太严重，但如果你在一个大表上创建了多种组合索引，索引文件的会膨胀很快。
索引只是提高效率的一个因素，如果你的MySQL有大数据量的表，就需要花时间研究建立最优秀的索引，或优化查询语句。

使用索引的注意事项

使用索引时，有以下一些技巧和注意事项：

◆索引不会包含有NULL值的列

只要列中包含有NULL值都将不会被包含在索引中，复合索引中只要有一列含有NULL值，那么这一列对于此复合索引就是无效的。所以我们在数据库设计时不要让字段的默认值为NULL。

◆使用短索引

对串列进行索引，如果可能应该指定一个前缀长度。例如，如果有一个CHAR(255)的列，如果在前10个或20个字符内，多数值是惟一的，那么就不要对整个列进行索引。短索引不仅可以提高查询速度而且可以节省磁盘空间和I/O操作。

◆索引列排序

MySQL查询只使用一个索引，因此如果where子句中已经使用了索引的话，那么order by中的列是不会使用索引的。因此数据库默认排序可以符合要求的情况下不要使用排序操作；尽量不要包含多个列的排序，如果需要最好给这些列创建复合索引。

◆like语句操作

一般情况下不鼓励使用like操作，如果非使用不可，如何使用也是一个问题。like “%aaa%” 不会使用索引而like “aaa%”可以使用索引。

◆不要在列上进行运算

1.select * from users where YEAR(adddate)<2007;
将在每个行上进行运算，这将导致索引失效而进行全表扫描，因此我们可以改成
1.select * from users where adddate<‘2007-01-01’;

◆不使用NOT IN和<>操作

深入了解mysql索引与优化

索引目的

索引的目的在于提高查询效率，可以类比字典，如果要查“mysql”这个单词，我们肯定需要定位到m字母，然后从下往下找到y字母，再找到剩下的sql。如果没有索引，那么你可能需要把所有单词看一遍才能找到你想要的，如果我想找到m开头的单词呢？或者L开头的单词呢？是不是觉得如果没有索引，这个事情根本无法完成？

索引原理

除了词典，生活中随处可见索引的例子，如火车站的车次表、图书的目录等。它们的原理都是一样的，通过不断的缩小想要获得数据的范围来筛选出最终想要的结果，同时把随机的事件变成顺序的事件，也就是我们总是通过同一种查找方式来锁定数据。

数据库也是一样，但显然要复杂许多，因为不仅面临着等值查询，还有范围查询(>、<、between、in)、模糊查询(like)、并集查询(or)等等。数据库应该选择怎么样的方式来应对所有的问题呢？我们回想字典的例子，能不能把数据分成段，然后分段查询呢？最简单的如果1000条数据，1到100分成第一段，101到200分成第二段，201到300分成第三段……这样查第250条数据，只要找第三段就可以了，一下子去除了90%的无效数据。但如果是1千万的记录呢，分成几段比较好？稍有算法基础的同学会想到搜索树，其平均复杂度是lgN，具有不错的查询性能。但这里我们忽略了一个关键的问题，复杂度模型是基于每次相同的操作成本来考虑的，数据库实现比较复杂，数据保存在磁盘上，而为了提高性能，每次又可以把部分数据读入内存来计算，因为我们知道访问磁盘的成本大概是访问内存的十万倍左右，所以简单的搜索树难以满足复杂的应用场景。

磁盘IO与预读

前面提到了访问磁盘，那么这里先简单介绍一下磁盘IO和预读，磁盘读取数据靠的是机械运动，每次读取数据花费的时间可以分为寻道时间、旋转延迟、传输时间三个部分，寻道时间指的是磁臂移动到指定磁道所需要的时间，主流磁盘一般在5ms以下；旋转延迟就是我们经常听说的磁盘转速，比如一个磁盘7200转，表示每分钟能转7200次，也就是说1秒钟能转120次，旋转延迟就是1/120/2 = 4.17ms；传输时间指的是从磁盘读出或将数据写入磁盘的时间，一般在零点几毫秒，相对于前两个时间可以忽略不计。那么访问一次磁盘的时间，即一次磁盘IO的时间约等于5+4.17 = 9ms左右，听起来还挺不错的，但要知道一台500 -MIPS的机器每秒可以执行5亿条指令，因为指令依靠的是电的性质，换句话说执行一次IO的时间可以执行40万条指令，数据库动辄十万百万乃至千万级数据，每次9毫秒的时间，显然是个灾难。

考虑到磁盘IO是非常高昂的操作，计算机操作系统做了一些优化，当一次IO时，不光把当前磁盘地址的数据，而是把相邻的数据也都读取到内存缓冲区内，因为局部预读性原理告诉我们，当计算机访问一个地址的数据的时候，与其相邻的数据也会很快被访问到。每一次IO读取的数据我们称之为一页(page)。具体一页有多大数据跟操作系统有关，一般为4k或8k，也就是我们读取一页内的数据时候，实际上才发生了一次IO，这个理论对于索引的数据结构设计非常有帮助。

MySQL索引原理及慢查询优化

MySQL凭借着出色的性能、低廉的成本、丰富的资源，已经成为绝大多数互联网公司的首选关系型数据库。虽然性能出色，但所谓“好马配好鞍”，如何能够更好的使用它，已经成为开发工程师的必修课，我们经常会从职位描述上看到诸如“精通MySQL”、“SQL语句优化”、“了解数据库原理”等要求。我们知道一般的应用系统，读写比例在10:1左右，而且插入操作和一般的更新操作很少出现性能问题，遇到最多的，也是最容易出问题的，还是一些复杂的查询操作，所以查询语句的优化显然是重中之重。

多数情况下，我们知道索引能够提高查询效率，但应该如何建立索引？索引的顺序如何？许多人却只知道大概。其实理解这些概念并不难，而且索引的原理远没有想象的那么复杂。

MySQL索引原理

索引的数据结构

前面讲了生活中索引的例子，索引的基本原理，数据库的复杂性，又讲了操作系统的相关知识，目的就是让大家了解，任何一种数据结构都不是凭空产生的，一定会有它的背景和使用场景，我们现在总结一下，我们需要这种数据结构能够做些什么，其实很简单，那就是：每次查找数据时把磁盘IO次数控制在一个很小的数量级，最好是常数数量级。那么我们就想到如果一个高度可控的多路搜索树是否能满足需求呢？就这样，b+树应运而生。

慢查询优化

关于MySQL索引原理是比较枯燥的东西，大家只需要有一个感性的认识，并不需要理解得非常透彻和深入。我们回头来看看一开始我们说的慢查询，了解完索引原理之后，大家是不是有什么想法呢？先总结一下索引的几大基本原则
建索引的几大原则

1.最左前缀匹配原则，非常重要的原则，mysql会一直向右匹配直到遇到范围查询(>、<、between、like)就停止匹配，比如a = 1 and b = 2 and c > 3 and d = 4 如果建立(a,b,c,d)顺序的索引，d是用不到索引的，如果建立(a,b,d,c)的索引则都可以用到，a,b,d的顺序可以任意调整。

2.=和in可以乱序，比如a = 1 and b = 2 and c = 3 建立(a,b,c)索引可以任意顺序，mysql的查询优化器会帮你优化成索引可以识别的形式。

3.尽量选择区分度高的列作为索引,区分度的公式是count(distinct col)/count(*)，表示字段不重复的比例，比例越大我们扫描的记录数越少，唯一键的区分度是1，而一些状态、性别字段可能在大数据面前区分度就是0，那可能有人会问，这个比例有什么经验值吗？使用场景不同，这个值也很难确定，一般需要join的字段我们都要求是0.1以上，即平均1条扫描10条记录

4.索引列不能参与计算，保持列“干净”，比如from_unixtime(create_time) = ’2014-05-29’就不能使用到索引，原因很简单，b+树中存的都是数据表中的字段值，但进行检索时，需要把所有元素都应用函数才能比较，显然成本太大。所以语句应该写成create_time = unix_timestamp(’2014-05-29’);
5.尽量的扩展索引，不要新建索引。比如表中已经有a的索引，现在要加(a,b)的索引，那么只需要修改原来的索引即可

查询优化神器 – explain命令

关于explain命令相信大家并不陌生，具体用法和字段含义可以参考官网HYPERLINK
"http://dev.mysql.com/doc/refman/5.5/en/explain-output.html"explain-output，这里需要强调rows是核心指标，绝大部分rows小的语句执行一定很快（有例外，下面会讲到）。所以优化语句基本上都是在优化rows。

慢查询优化基本步骤

0.先运行看看是否真的很慢，注意设置SQL_NO_CACHE

1.where条件单表查，锁定最小返回记录表。这句话的意思是把查询语句的where都应用到表中返回的记录数最小的表开始查起，单表每个字段分别查询，看哪个字段的区分度最高

2.explain查看执行计划，是否与1预期一致（从锁定记录较少的表开始查询）

3.order by limit 形式的sql语句让排序的表优先查

4.了解业务方使用场景

5.加索引时参照建索引的几大原则

6.观察结果，不符合预期继续从0分析
几个慢查询案例
下面几个例子详细解释了如何分析和优化慢查询
复杂语句写法
很多情况下，我们写SQL只是为了实现功能，这只是第一步，不同的语句书写方式对于效率往往有本质的差别，这要求我们对mysql的执行计划和索引原则有非常清楚的认识，请看下面的语句

MySQL

 1select
 2   distinct cert.emp_id 
 3from
 4   cm_log cl 
 5inner join
 6   (
 7      select
 8         emp.id as emp_id,
 9         emp_cert.id as cert_id 
10      from
11         employee emp 
12      left join
13         emp_certificate emp_cert 
14            on emp.id = emp_cert.emp_id 
15      where
16         emp.is_deleted=0
17   ) cert 
18      on (
19         cl.ref_table='Employee' 
20         and cl.ref_oid= cert.emp_id
21      ) 
22      or (
23         cl.ref_table='EmpCertificate' 
24         and cl.ref_oid= cert.cert_id
25      ) 
26where
27   cl.last_upd_date >='2013-11-07 15:03:00' 
28   and cl.last_upd_date<='2013-11-08 16:00:00';
29
30   53 rows in set (1.87 sec)

先运行一下，53条记录 1.87秒，又没有用聚合语句，比较慢

explain

1+----+-------------+------------+-------+---------------------------------+-----------------------+---------+-------------------+-------+--------------------------------+
2| id | select_type | table      | type  | possible_keys                   | key                   | key_len | ref               | rows  | Extra                          |
3+----+-------------+------------+-------+---------------------------------+-----------------------+---------+-------------------+-------+--------------------------------+
4|  1 | PRIMARY     | cl         | range | cm_log_cls_id,idx_last_upd_date | idx_last_upd_date     | 8       | NULL              |   379 | Using where; Using temporary   |
5|  1 | PRIMARY     | <derived2> | ALL   | NULL                            | NULL                  | NULL    | NULL              | 63727 | Using where; Using join buffer |
6|  2 | DERIVED     | emp        | ALL   | NULL                            | NULL                  | NULL    | NULL              | 13317 | Using where                    |
7|  2 | DERIVED     | emp_cert   | ref   | emp_certificate_empid           | emp_certificate_empid | 4       | meituanorg.emp.id |     1 | Using index                    |
8+----+-------------+------------+-------+---------------------------------+-----------------------+---------+-------------------+-------+--------------------------------+
9

简述一下执行计划，首先mysql根据idx_last_upd_date索引扫描cm_log表获得379条记录；然后查表扫描了63727条记录，分为两部分，derived表示构造表，也就是不存在的表，可以简单理解成是一个语句形成的结果集，后面的数字表示语句的ID。derived2表示的是ID = 2的查询构造了虚拟表，并且返回了63727条记录。我们再来看看ID = 2的语句究竟做了写什么返回了这么大量的数据，首先全表扫描employee表13317条记录，然后根据索引emp_certificate_empid关联emp_certificate表，rows = 1表示，每个关联都只锁定了一条记录，效率比较高。获得后，再和cm_log的379条记录根据规则关联。从执行过程上可以看出返回了太多的数据，返回的数据绝大部分cm_log都用不到，因为cm_log只锁定了379条记录。

如何优化呢？可以看到我们在运行完后还是要和cm_log做join,那么我们能不能之前和cm_log做join呢？仔细分析语句不难发现，其基本思想是如果cm_log的ref_table是EmpCertificate就关联emp_certificate表，如果ref_table是Employee就关联employee表，我们完全可以拆成两部分，并用union连接起来，注意这里用union，而不用union all是因为原语句有“distinct”来得到唯一的记录，而union恰好具备了这种功能。如果原语句中没有distinct不需要去重，我们就可以直接使用union all了，因为使用union需要去重的动作，会影响SQL性能。
优化过的语句如下

MySQL

 1select
 2   emp.id 
 3from
 4   cm_log cl 
 5inner join
 6   employee emp 
 7      on cl.ref_table = 'Employee' 
 8      and cl.ref_oid = emp.id  
 9where
10   cl.last_upd_date >='2013-11-07 15:03:00' 
11   and cl.last_upd_date<='2013-11-08 16:00:00' 
12   and emp.is_deleted = 0  
13union
14select
15   emp.id 
16from
17   cm_log cl 
18inner join
19   emp_certificate ec 
20      on cl.ref_table = 'EmpCertificate' 
21      and cl.ref_oid = ec.id  
22inner join
23   employee emp 
24      on emp.id = ec.emp_id  
25where
26   cl.last_upd_date >='2013-11-07 15:03:00' 
27   and cl.last_upd_date<='2013-11-08 16:00:00' 
28   and emp.is_deleted = 0

不需要了解业务场景，只需要改造的语句和改造之前的语句保持结果一致

现有索引可以满足，不需要建索引

用改造后的语句实验一下，只需要10ms 降低了近200倍！

 1+----+--------------+------------+--------+---------------------------------+-------------------+---------+-----------------------+------+-------------+
 2| id | select_type  | table      | type   | possible_keys                   | key               | key_len | ref                   | rows | Extra       |
 3+----+--------------+------------+--------+---------------------------------+-------------------+---------+-----------------------+------+-------------+
 4|  1 | PRIMARY      | cl         | range  | cm_log_cls_id,idx_last_upd_date | idx_last_upd_date | 8       | NULL                  |  379 | Using where |
 5|  1 | PRIMARY      | emp        | eq_ref | PRIMARY                         | PRIMARY           | 4       | meituanorg.cl.ref_oid |    1 | Using where |
 6|  2 | UNION        | cl         | range  | cm_log_cls_id,idx_last_upd_date | idx_last_upd_date | 8       | NULL                  |  379 | Using where |
 7|  2 | UNION        | ec         | eq_ref | PRIMARY,emp_certificate_empid   | PRIMARY           | 4       | meituanorg.cl.ref_oid |    1 |             |
 8|  2 | UNION        | emp        | eq_ref | PRIMARY                         | PRIMARY           | 4       | meituanorg.ec.emp_id  |    1 | Using where |
 9| NULL | UNION RESULT | <union1,2> | ALL    | NULL                            | NULL              | NULL    | NULL                  | NULL |             |
10+----+--------------+------------+--------+---------------------------------+-------------------+---------+-----------------------+------+-------------+
11

明确应用场景

举这个例子的目的在于颠覆我们对列的区分度的认知，一般上我们认为区分度越高的列，越容易锁定更少的记录，但在一些特殊的情况下，这种理论是有局限性的

MySQL

 1select
 2   * 
 3from
 4   stage_poi sp 
 5where
 6   sp.accurate_result=1 
 7   and (
 8      sp.sync_status=0 
 9      or sp.sync_status=2 
10      or sp.sync_status=4
11   );
12   951 rows in set (6.22 sec)

先看看运行多长时间,951条数据6.22秒，真的很慢

先explain，rows达到了361万，type = ALL表明是全表扫描

1+----+-------------+-------+------+---------------+------+---------+------+---------+-------------+
2| id | select_type | table | type | possible_keys | key  | key_len | ref  | rows    | Extra       |
3+----+-------------+-------+------+---------------+------+---------+------+---------+-------------+
4|  1 | SIMPLE      | sp    | ALL  | NULL          | NULL | NULL    | NULL | 3613155 | Using where |
5+----+-------------+-------+------+---------------+------+---------+------+---------+-------------+

所有字段都应用查询返回记录数，因为是单表查询 0已经做过了951条

让explain的rows 尽量逼近951
看一下accurate_result = 1的记录数

1select count(*),accurate_result from stage_poi  group by accurate_result;
2+----------+-----------------+
3| count(*) | accurate_result |
4+----------+-----------------+
5|     1023 |              -1 |
6|  2114655 |               0 |
7|   972815 |               1 |
8+----------+-----------------+

我们看到accurate_result这个字段的区分度非常低，整个表只有-1,0,1三个值，加上索引也无法锁定特别少量的数据
再看一下sync_status字段的情况

1select count(*),sync_status from stage_poi  group by sync_status;
2+----------+-------------+
3| count(*) | sync_status |
4+----------+-------------+
5|     3080 |           0 |
6|  3085413 |           3 |
7+----------+-------------+

同样的区分度也很低，根据理论，也不适合建立索引
问题分析到这，好像得出了这个表无法优化的结论，两个列的区分度都很低，即便加上索引也只能适应这种情况，很难做普遍性的优化，比如当sync_status 0、3分布的很平均，那么锁定记录也是百万级别的

找业务方去沟通，看看使用场景。业务方是这么来使用这个SQL语句的，每隔五分钟会扫描符合条件的数据，处理完成后把sync_status这个字段变成1,五分钟符合条件的记录数并不会太多，1000个左右。了解了业务方的使用场景后，优化这个SQL就变得简单了，因为业务方保证了数据的不平衡，如果加上索引可以过滤掉绝大部分不需要的数据

根据建立索引规则，使用如下语句建立索引

1alter table stage_poi add index idx_acc_status(accurate_result,sync_status);
2952 rows in set (0.20 sec)

观察预期结果,发现只需要200ms，快了30多倍。

我们再来回顾一下分析问题的过程，单表查询相对来说比较好优化，大部分时候只需要把where条件里面的字段依照规则加上索引就好，如果只是这种“无脑”优化的话，显然一些区分度非常低的列，不应该加索引的列也会被加上索引，这样会对插入、更新性能造成严重的影响，同时也有可能影响其它的查询语句。所以我们第4步调差SQL的使用场景非常关键，我们只有知道这个业务场景，才能更好地辅助我们更好的分析和优化查询语句。

无法优化的语句

MySQL

 1select
 2   c.id,
 3   c.name,
 4   c.position,
 5   c.sex,
 6   c.phone,
 7   c.office_phone,
 8   c.feature_info,
 9   c.birthday,
10   c.creator_id,
11   c.is_keyperson,
12   c.giveup_reason,
13   c.status,
14   c.data_source,
15   from_unixtime(c.created_time) as created_time,
16   from_unixtime(c.last_modified) as last_modified,
17   c.last_modified_user_id  
18from
19   contact c  
20inner join
21   contact_branch cb 
22      on  c.id = cb.contact_id  
23inner join
24   branch_user bu 
25      on  cb.branch_id = bu.branch_id 
26      and bu.status in (
27         1,
28      2)  
29   inner join
30      org_emp_info oei 
31         on  oei.data_id = bu.user_id 
32         and oei.node_left >= 2875 
33         and oei.node_right <= 10802 
34         and oei.org_category = - 1  
35   order by
36      c.created_time desc  limit 0 ,10;
37      10 rows in set (13.06 sec)

还是几个步骤
先看语句运行多长时间，10条记录用了13秒，已经不可忍受

explain

1+----+-------------+-------+--------+-------------------------------------+-------------------------+---------+--------------------------+------+----------------------------------------------+
2| id | select_type | table | type   | possible_keys                       | key                     | key_len | ref                      | rows | Extra                                        |
3+----+-------------+-------+--------+-------------------------------------+-------------------------+---------+--------------------------+------+----------------------------------------------+
4|  1 | SIMPLE      | oei   | ref    | idx_category_left_right,idx_data_id | idx_category_left_right | 5       | const                    | 8849 | Using where; Using temporary; Using filesort |
5|  1 | SIMPLE      | bu    | ref    | PRIMARY,idx_userid_status           | idx_userid_status       | 4       | meituancrm.oei.data_id   |   76 | Using where; Using index                     |
6|  1 | SIMPLE      | cb    | ref    | idx_branch_id,idx_contact_branch_id | idx_branch_id           | 4       | meituancrm.bu.branch_id  |    1 |                                              |
7|  1 | SIMPLE      | c     | eq_ref | PRIMARY                             | PRIMARY                 | 108     | meituancrm.cb.contact_id |    1 |                                              |
8+----+-------------+-------+--------+-------------------------------------+-------------------------+---------+--------------------------+------+----------------------------------------------+
9

从执行计划上看，mysql先查org_emp_info表扫描8849记录，再用索引idx_userid_status关联branch_user表，再用索引idx_branch_id关联contact_branch表，最后主键关联contact表。

rows返回的都非常少，看不到有什么异常情况。我们在看一下语句，发现后面有order by + limit组合，会不会是排序量太大搞的？于是我们简化SQL，去掉后面的order by 和 limit，看看到底用了多少记录来排序

MySQL

 1select
 2  count(*)
 3from
 4   contact c  
 5inner join
 6   contact_branch cb 
 7      on  c.id = cb.contact_id  
 8inner join
 9   branch_user bu 
10      on  cb.branch_id = bu.branch_id 
11      and bu.status in (
12         1,
13      2)  
14   inner join
15      org_emp_info oei 
16         on  oei.data_id = bu.user_id 
17         and oei.node_left >= 2875 
18         and oei.node_right <= 10802 
19         and oei.org_category = - 1  
20+----------+
21| count(*) |
22+----------+
23|   778878 |
24+----------+
251 row in set (5.19 sec)

发现排序之前居然锁定了778878条记录，如果针对70万的结果集排序，将是灾难性的，怪不得这么慢，那我们能不能换个思路，先根据contact的created_time排序，再来join会不会比较快呢？
于是改造成下面的语句，也可以用straight_join来优化

MySQL

 1select
 2c.id,
 3c.name,
 4c.position,
 5c.sex,
 6c.phone,
 7c.office_phone,
 8c.feature_info,
 9c.birthday,
10c.creator_id,
11c.is_keyperson,
12c.giveup_reason,
13c.status,
14c.data_source,
15from_unixtime(c.created_time) as created_time,
16from_unixtime(c.last_modified) as last_modified,
17c.last_modified_user_id
18from
19contact c
20where
21exists (
22select
231
24from
25contact_branch cb
26inner join
27branch_user bu
28on cb.branch_id = bu.branch_id
29and bu.status in (
301,
312)
32inner join
33org_emp_info oei
34on oei.data_id = bu.user_id
35and oei.node_left >= 2875
36and oei.node_right <= 10802
37and oei.org_category = - 1
38where
39c.id = cb.contact_id
40)
41order by
42c.created_time desc limit 0 ,10;
4310 rows in set (0.00 sec)

验证一下效果 预计在1ms内，提升了13000多倍！

本以为至此大工告成，但我们在前面的分析中漏了一个细节，先排序再join和先join再排序理论上开销是一样的，为何提升这么多是因为有一个limit！大致执行过程是：mysql先按索引排序得到前10条记录，然后再去join过滤，当发现不够10条的时候，再次去10条，再次join，这显然在内层join过滤的数据非常多的时候，将是灾难的，极端情况，内层一条数据都找不到，mysql还傻乎乎的每次取10条，几乎遍历了这个数据表！
用不同参数的SQL试验下

MySQL

 1select
 2   sql_no_cache   c.id,
 3   c.name,
 4   c.position,
 5   c.sex,
 6   c.phone,
 7   c.office_phone,
 8   c.feature_info,
 9   c.birthday,
10   c.creator_id,
11   c.is_keyperson,
12   c.giveup_reason,
13   c.status,
14   c.data_source,
15   from_unixtime(c.created_time) as created_time,
16   from_unixtime(c.last_modified) as last_modified,
17   c.last_modified_user_id    
18from
19   contact c   
20where
21   exists (
22      select
23         1        
24      from
25         contact_branch cb         
26      inner join
27         branch_user bu                     
28            on  cb.branch_id = bu.branch_id                     
29            and bu.status in (
30               1,
31            2)                
32         inner join
33            org_emp_info oei                           
34               on  oei.data_id = bu.user_id                           
35               and oei.node_left >= 2875                           
36               and oei.node_right <= 2875                           
37               and oei.org_category = - 1                
38         where
39            c.id = cb.contact_id           
40      )        
41   order by
42      c.created_time desc  limit 0 ,
43      10;
44Empty set (2 min 18.99 sec)

2 min 18.99 sec！比之前的情况还糟糕很多。由于mysql的nested loop机制，遇到这种情况，基本是无法优化的。这条语句最终也只能交给应用系统去优化自己的逻辑了。
通过这个例子我们可以看到，并不是所有语句都能优化，而往往我们优化时，由于SQL用例回归时落掉一些极端情况，会造成比原来还严重的后果。所以，第一：不要指望所有语句都能通过SQL优化，第二：不要过于自信，只针对具体case来优化，而忽略了更复杂的情况。

慢查询的案例就分析到这儿，以上只是一些比较典型的案例。我们在优化过程中遇到过超过1000行，涉及到16个表join的“垃圾SQL”，也遇到过线上线下数据库差异导致应用直接被慢查询拖死，也遇到过varchar等值比较没有写单引号，还遇到过笛卡尔积查询直接把从库搞死。再多的案例其实也只是一些经验的积累，如果我们熟悉查询优化器、索引的内部原理，那么分析这些案例就变得特别简单了。

写在后面的话

本文以一个慢查询案例引入了MySQL索引原理、优化慢查询的一些方法论;并针对遇到的典型案例做了详细的分析。其实做了这么长时间的语句优化后才发现，任何数据库层面的优化都抵不上应用系统的优化，同样是MySQL，可以用来支撑Google/FaceBook/Taobao应用，但可能连你的个人网站都撑不住。套用最近比较流行的话：查询容易，优化不易，且写且珍惜！