mysql大数据优化方法

当mysql数据量过大的时候，用一般的查询语句会相对较慢，下面从数据库设计、SQL语句方面来说说怎样优化提高查询效率，如果感觉小编那里写的不好不对或者可以进一步优化的地方，欢迎在评论区，指正留言。

一、数据库设计方面

1) 单库表别太多，一般保持在200以下；

2)表设计尽量小，不要啥都放一张表里；

3)SQL事务不能设计太大，比如一次性提交10W条insert，不仅性能受影响可能还会存在内存溢出。一般insert事务的话，5K-1W来批处理就可以了但是是字段不能太大；

4)设计表的时候尽量用"小数据类型"，尽量避免text、blob等，优先使用enum、set（小，范围有限）；

5)设计表字段能用数字类型就不要用字符类型，比如存储手机号，用int就可以了不要去用varchar 。用varchar 这会降低查询和连接的性能，并会增加存储开销。这是因为引擎在处理查询和连 接时会逐个比较字符串中每一个字符，而对于数字型而言只需要比较一次就够了；

6)最好避免null字段，定义时尽量使用not null 。因为字段允许为null时不方便查询优化，复合索引也会失效，而且如果列有索引时会额外占用空间：a  int(10) not  null  DEFAULT  0  ；

7)图片不要存DB ，用 fastdfs等中间件或者直接使用七牛等云存储也可以，反正不是很贵；

8)事务尽可能的小，全加到一个transaction中；

9)存储过程，触发器之类的能避免就避免吧，因为维护不方便；

10)并不是所有索引对查询都有效，SQL是根据表中数据来进行查询优化的，当索引列有大量数据重复时，SQL查询可能不会去利用索引；

11)索引并不是越多越好，索引固然可以提高相应的 select 的效率，但同时也降低了 insert 及 update 的效率，因为 insert 或 update 时有可能会重建索引，所以怎样建索引需要慎重考虑，视具体情况而定。一个表的索引数最好不要超过6个，若太多则应考虑一些不常使用到的列上建的索引是否有 必要；

12)应尽可能的避免更新 clustered 索引数据列，因为 clustered 索引数据列的顺序就是表记录的物理存储顺序，一旦该列值改变将导致整个表记录的顺序的调整，会耗费相当大的资源。若应用系统需要频繁更新 clustered 索引数据列，那么需要考虑是否应将该索引建为 clustered 索引；

13)尽可能的使用 varchar/nvarchar 代替 char/nchar ，因为首先变长字段存储空间小，可以节省存储空间，其次对于查询来说，在一个相对较小的字段内搜索效率显然要高些；

14)尽量使用表变量来代替临时表。如果表变量包含大量数据，请注意索引非常有限（只有主键索引）；

15) 避免频繁创建和删除临时表，以减少系统表资源的消耗；

16)临时表并不是不可使用，适当地使用它们可以使某些例程更有效，例如，当需要重复引用大型表或常用表中的某个数据集时。但是，对于一次性事件， 最好使用导出表；

17) 在新建临时表时，如果一次性插入数据量很大，那么可以使用 select into 代替 create table，避免造成大量 log ，以提高速度；如果数据量不大，为了缓和系统表的资源，应先create table，然后insert；

18)如果使用到了临时表，在存储过程的最后务必将所有的临时表显式删除，先 truncate table ，然后 drop table ，这样可以避免系统表的较长时间锁定；

19)尽量避免使用游标，因为游标的效率较差，如果游标操作的数据超过1万行，那么就应该考虑改写；

20)使用基于游标的方法或临时表方法之前，应先寻找基于集的解决方案来解决问题，基于集的方法通常更有效；

21)与临时表一样，游标并不是不可使用。对小型数据集使用 FAST_FORWARD 游标通常要优于其他逐行处理方法，尤其是在必须引用几个表才能获得所需的数据时。在结果集中包括“合计”的例程通常要比使用游标执行的速度快。如果开发时 间允许，基于游标的方法和基于集的方法都可以尝试一下，看哪一种方法的效果更好；

22)在所有的存储过程和触发器的开始处设置 SET NOCOUNT ON ，在结束时设置 SET NOCOUNT OFF 。无需在执行存储过程和触发器的每个语句后向客户端发送 DONE_IN_PROC 消息；

23)尽量避免大事务操作，提高系统并发能力；

24)只要能满足你的需求，应尽可能使用更小的数据类型：例如使用MEDIUMINT代替INT；

25)尽量把所有的列设置为NOT NULL，如果你要保存NULL，手动去设置它，而不是把它设为默认值；

26)如果你的数据只有你所知的少量的几个。最好使用ENUM类型；

二、sql语句优化

1)大SQL尽量拆分，多核CPU每个CPU只能执行一个SQL，所以并发时，一堆小的可能效率更高一些，并且容易命中缓存，而且不容易长时间锁表（无论什么锁都是时间越短越好），当然这个要结合实际情况分析了，一大堆小的万一增加IO负担呢

2)避免 “% 前缀”模糊查询 。因为会导致索引失效，从而导致全表扫描；

                 select id from t where name like '%abc%’
    若要提高效率，可以考虑全文检索。

3)分页时：Select a from A limit 10000,10; 这种大偏移量下效率非常低。

可以考虑如下几个方案：

                select a from A WHERE id>=xxxx limit 11;(将上一页的最大值通过where id> 进行预处理，然后分页)

                select a from A WHERE id >= ( select a from A limit 10000,1 ) limit 10;

                select a from A inner join (select a from A limit 10000,10) using (id) ;

4)避免使用count(*)，查询速度较慢1000W数据至少要几秒。作为替代方案，考虑使用nosql例如redis，memcached存下来，但是要定时校对。还有一个办法，直接做一个表存下来，每次增加或者减少都在这个表做update增减；

5)应尽量避免在 where 子句中使用!=或<>操作符，否则将引擎放弃使用索引而进行全表扫描；

6)这个在上面提过，对查询进行优化，应尽量避免全表扫描，首先应考虑在 where 及 order by 涉及的列上建立索引；

7)应尽量避免在 where 子句中对字段进行 null 值判断，否则将导致引擎放弃使用索引而进行全表扫描，如：
           select id from t where num is null
     可以在num上设置默认值0，确保表中num列没有null值，然后这样查询：
           select id from t where num=0

8)应尽量避免在 where 子句中使用 or 来连接条件，否则将导致引擎放弃使用索引而进行全表扫描，如：
     select id from t where num=10 or num=20
     可以这样查询：
     select id from t where num=10
     union all
     select id from t where num=20

9)or尽量不用，改为in(),当然in的范围太多也不行，尽量别超100；

10)当然 in 和 not in 也要慎用，否则会导致全表扫描，如：
       select id from t where num in(1,2,3)
     对于连续的数值，能用 between 就不要用 in 了：
       select id from t where num between 1 and 3

11)尽量避免SQL中出现运算，例如select a+5 from A，让DB功能单一化；

12)UNION ALL 而非 UNION ，看需要啦，一般不用去重的业务的话去重压力不小，能省则省；

13)尽量不用 INSERT SELECT，数据量大有延迟，同步完了可能有错误；

14)如果在 where 子句中使用参数，也会导致全表扫描。因为SQL只有在运行时才会解析局部变量，但优化程序不能将访问计划的选择推迟到运行时；它必须在编译时进行选择。然 而，如果在编译时建立访问计划，变量的值还是未知的，因而无法作为索引选择的输入项。如下面语句将进行全表扫描：
             select id from t where [email=num=@num]num=@num[/email]
     可以改为强制查询使用索引：
             select id from t with(index(索引名)) where [email=num=@num]num=@num[/email]
15)应尽量避免在 where 子句中对字段进行表达式操作，这将导致引擎放弃使用索引而进行全表扫描。如：
             select id from t where num/2=100
     应改为:
              select id from t where num=100*2
16)应尽量避免在where子句中对字段进行函数操作，这将导致引擎放弃使用索引而进行全表扫描。如：
               select id from t where substring(name,1,3)='abc'–name以abc开头的id
               select id from t where datediff(day,createdate,'2005-11-30')=0–'2005-11-30'生成的id
     应改为:
                select id from t where name like 'abc%'
                select id from t where createdate>='2005-11-30' and createdate<'2005-12-1'
17)不要在 where 子句中的“=”左边进行函数、算术运算或其他表达式运算，否则系统将可能无法正确使用索引；

18)在使用索引字段作为条件时，如果该索引是复合索引，那么必须使用到该索引中的第一个字段作为条件时才能保证系统使用该索引，否则该索引将不会被使 用，并且应尽可能的让字段顺序与索引顺序相一致；
19)不要写一些没有意义的查询，如需要生成一个空表结构：
                select col1,col2 into #t from t where 1=0
     这类代码不会返回任何结果集，但是会消耗系统资源的，应改成这样：
                create table #t(…)
20)很多时候用 exists 代替 in 是一个好的选择：
               select num from a where num in(select num from b)
     用下面的语句替换：
               select num from a where exists(select 1 from b where num=a.num)

21)缺省情况下建立的索引是非群集索引，但有时它并不是最佳的。在非群集索引下，数据在物理上随机存放在数据页上。合理的索引设计要建立在对各种查询的分析和预测上。一般来说：

a.有大量重复值、且经常有范围查询( > ,< ，> =,< =)和order by、group by发生的列，可考虑建立群集索引;

b.经常同时存取多列，且每列都含有重复值可考虑建立组合索引;

c.组合索引要尽量使关键查询形成索引覆盖，其前导列一定是使用最频繁的列。索引虽有助于提高性能但不是索引越多越好，恰好相反过多的索引会导致系统低效。用户在表中每加进一个索引，维护索引集合就要做相应的更新工作；

22)在海量查询时尽量少用格式转换；

23)ORDER BY和GROPU BY：使用ORDER BY和GROUP BY短语，任何一种索引都有助于SELECT的性能提高；

24)任何对列的操作都将导致表扫描，它包括数据库教程函数、计算表达式等等，查询时要尽可能将操作移至等号右边；

25)IN、OR子句常会使用工作表，使索引失效。如果不产生大量重复值，可以考虑把子句拆开。拆开的子句中应该包含索引；

读写分离

用两台或者多台主机做集群，一般是一写多读（一台mysql只写入，剩下的用来读取，写入的数据要实时的从写库同步到读库）这个配置起来也比较简单，唯一要说的是代理插件的选择，推荐360开源的atlas，用法很简单，实际使用中也没有太多bug。

要说坑的话：运维要多练练，中间万一出错的情况下，导致数据不同步！

另外，因为写库与读库之间同步难免有毫秒级误差，所以某些数据刚写入立即就要读的情况下，就不能从读库里读取了，atlas里面有方案！

分库

一般，数据库是安装在一台机器上，一个Mysql实例，我们就这么在这个Mysql上创建一个数据库，然后在里面弄一堆表做业务。

 

优化的话尽量分拆几个库，根据业务，比如订单库、用户库、日志库等等。

这样什么好处呢？

你把不同的库分别安装到不同的机器上啊，每个库由一台专门的Dell高配服务器来跑。

不过这样的话也还是会有很多副作用，比如原来都在一个库里，做事务很简单，现在弄了一大堆库事务不好办，另外如果考虑到数据库之外的因素，比如代码跟着做了微服务，那事务可能要考虑分布式事务了，各种补偿机制难免了。

优点和缺点总是相辅相成！

水平拆分表

单表太大了，怎么办？可以把这个表的数据分成多个表，但是这里有个原则，一定不能给编码造成额外的负担，原来写 select a from A，还得是这个！不能变！不然一切都没意义了。好在Mysql本身就有这个机制。拆分时，有很多拆分原则，有根据hash的，有根据时间的。

看业务需要，比如说一个表，我们只关注当年度数据，那么根据时间拆分就行；如果使用索引查询，那么hash的不错。

有利有弊：拆分完了，你备份个表看看时间消耗吧。

另外，拆分以后最大的弊端是拆分原则与用法的匹配，如果没有严格设计好，后面的用法跟拆分原则不一致，这绝对是个灾难！耗时百倍甚至千倍。