MySQL---join驱动表的选择

join关键字

当业务需要从多个数据表中读取数据时，可以使用SQL语句中的连接（JOIN），在两个或多个数据表中查询数据。

JOIN 按照功能可分为三类：

1. INNER JOIN（内连接，或等值连接）：获取两个表中字段匹配关系的记录；
2. LEFT JOIN（左连接）：获取左表中的所有记录，即使在右表没有对应匹配的记录；
3. RIGHT JOIN（右连接）：与 LEFT JOIN 相反，用于获取右表中的所有记录，即使左表没有对应匹配的记录。

但是当有多张表的时候，驱动表该如何选择？

首先建一张表用来演示。

CREATE TABLE `t2` (
`id` int(11) NOTNULL,
`a` int(11) DEFAULTNULL,
`b` int(11) DEFAULTNULL,
PRIMARY KEY (`id`),
KEY `a` (`a`)
) ENGINE=InnoDB;

CREATE TABLE `t1` LIKE `t2`;
假设插入的数据是一一对应的以方面计算。

提示：文中用到的straight_join完全等同于inner join，但是从左到右实现强制多表的载入顺序，不同于inner join会进行优化。

IndexNested-Loop Join

对于SQLselect * from t1 straight_join t2 on (t1.a=t2.a)；有以下执行流程：

1. 从表t1中读入一行数据 R；
2. 从数据行R中，取出a字段到表t2里去查找；
3. 取出表t2中满足条件的行，跟R组成一行，作为结果集的一部分；
4. 重复执行步骤1到3，直到表t1的末尾循环结束。

我们称之为IndexNested-Loop Join算法，简称NLJ。

在这个流程里：

1. 对驱动表t1做了全表扫描，这个过程需要扫描N行；
2. 对于每一行R，根据a字段去表t2查找，走的是树搜索过程。由于我们构造的数据都是一一对应的，因此每次的搜索过程都只扫描一行，也是总共扫描M行；
3. 所以整个执行流程，总扫描行数是N+M。

假设被驱动表的行数是M。每次在被驱动表查一行数据，要先搜索索引a，再搜索主键索引。每次搜索一棵树近似复杂度是以2为底的M的对数，记为log2M，所以在被驱动表上查一行的时间复杂度是 2*log2M。

当驱动表的行数是N，执行过程就要扫描驱动表N行，然后对于每一行，到被驱动表上匹配一次。因此整个执行过程，近似复杂度是 N+N2log M，很明显N对扫描行数的影响更大，因此应该让小表来做驱动表。（N扩大1000倍的话，扫描行数就会扩大1000倍；而M扩大1000倍，扫描行数扩大不到10倍。）

Block Nested-Loop Join

SQLselect * from t1 straight_join t2 on (t1.a=t2.b);由于表t2的字段b上没有索引，因此搜索时，每次到t2去匹配的时候，就要做一次全表扫描。假设驱动表行数是N，被驱动表行数是M，那就需要扫描行数是N*M。

我们将这个算法称为Simple Nested-Loop Join，但是MySQL没有使用这个算法，而是使用了另一个叫作BlockNested-Loop Join的算法，简称BNL。

这时候，被驱动表上没有可用的索引，算法的流程是这样的：

1. 把表t1的数据读入线程内存join_buffer中，由于我们这个语句中写的是select *，因此是把整个表t1放入了内存；
2. 扫描表t2，把表t2中的每一行取出来，跟join_buffer中的数据做对比，满足join条件的，作为结果集的一部分返回。

假设小表的行数是N，大表的行数是M，在这个算法里：

1. 两个表都做一次全表扫描，所以总的扫描行数是M+N；
2. 内存中的判断次数是M*N。

看样子和Simple Nested-Loop Join是一样的，但是Block Nested-Loop Join算法的判断是内存操作，速度上会快很多，性能也更好。

这里涉及到一个参数是join_buffer_size，join_buffer的大小是由join_buffer_size的大小控制的，默认256K。如果放不下的话，策略是分段放。

假设t1有100行，内存放不下，执行过程就变成了：

1. 扫描表t1，顺序读取数据行放入join_buffer中，放完第80行join_buffer满了，继续第2步；
2. 扫描表t2，把t2中的每一行取出来，跟join_buffer中的数据做对比，满足join条件的，作为结果集的一部分返回；
3. 清空join_buffer；
4. 继续扫描表t1，顺序读取最后的20行数据放入join_buffer中，继续执行第2步。

假设驱动表的数据行数是N，需要分K段才能完成算法流程，被驱动表的数据行数是M。这里的K不是常数，N越大K就会越大，因此把K表示为λ*N，λ的取值范围是(0,1)。

在这个算法的执行过程中：

1. 扫描行数是 N+λ*N*M；
2. 内存判断 N*M次。

从内存判断次数看来不论哪个作为驱动表结果都是一样的，但是考虑到扫描行数，在M和N大小确定的情况下，N小一些，整个算式的结果会更小。所以使用小表作为驱动表会更好。

小表的概念

假设t1有100行，t2有1000行。

对于SQLselect * from t2 straight_join t1 on (t1.b=t2.b) where t2.id<=50;join_buffer只需要放入t2的前50行。虽然t2比t1的行数多，但是这里“t2的前50行”是那个相对小的表，也就是“小表”。

select t1.b,t2.* from t1 straight_join t2 on (t1.b=t2.b) where t2.id<=100；
select t1.b,t2.* from t2 straight_join t1 on (t1.b=t2.b) where t2.id<=100；

这两条SQL表t1只查字段b，因此如果把t1放到join_buffer中，则join_buffer中只需要放入b的值；表t2需要查所有的字段，因此如果把表t2放到join_buffer中的话，就需要放入三个字段id、a和b。

在决定哪个表做驱动表的时候，应该是两个表按照各自的条件过滤，过滤完成之后，计算参与join的各个字段的总数据量，数据量小的那个表就是小表。

总结：

1. 如果可以使用IndexNested-Loop Join算法，也就是说可以用上被驱动表上的索引，可以使用join连接，同时将小表作为驱动表。
2. 如果使用Block Nested-Loop Join算法，扫描行数就会过多。尤其是在大表上的join操作，这样可能要扫描被驱动表很多次，会占用大量的系统资源。这种join连接要慎用。
3. 不管使用哪一种，都尽量将小表作为驱动表！